目标检测：Fast R-CNN

《Fast R-CNN》论文解读

---

本文作者是Ross Girshick，和R-CNN作者一样。

概述

前面提到端到端的检测框架是很难实现的，那么先把除了region proposal的部分统一起来。Fast R-CNN贡献就在于把特征提取，SVM，Bounding box regression统一到一个框架里面了。

Fast R-CNN

先说点题外话，如何阅读一篇论文？对于深度学习方面的论文，我觉得要关注以下几个问题：1、网络结构是什么样子的，也就是说前向传播的路径是什么样的；2、如何进行训练，包括训练的样本是什么，使用了什么样的训练方法，如何选择超参数。对于一些细枝末节的问题，如果不打算重现的话也没有必要深入去研究。从这个角度来说，网上很多的资料质量实在不怎么样，写的没有条理。回到本文来看，我从我的角度给出这篇论文的解读。

网络结构

在Fast R-CNN中，候选区域生成（region proposal）仍然是独立于系统的，本文的贡献在于将特征提取、目标分类、边框回归统一到了一个框架下面。

这个网络的输入是原始图片和候选区域RoI位置，输出是分类类别和bbox回归值。将原始图片输入到网络中，在网络的最后一个卷积层根据RoI位置获得对应RoI的特征图，然后输入到Roi pooling layer，可以得到一个固定大小的特征图。将这个特征图经过2个全连接层以后得到RoI的特征，然后将特征经过全连接层，使用softmax得到分类，使用回归得到边框回归。CNN的主体结构可以来自于AlexNet，也可以来自于VGGNet。

这里唯一需要解释的就是RoI pooling layer。如果特征图上的RoI大小是$h*w$，将这个特征图划分为$h/H*w/W$个网格，每个网格做max pooling，这样得到pooling以后的大小就是