Fast R-CNN论文详解

R-CNN出来以后，首次将卷积神经网络带入目标检测领域。随着SPP-Net等的出现对它的改进，受SPP-Net的启发，Fast R-CNN出现了。

Fast R-CNN和R-CNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间。

一.Fast R-CNN所解决R-CNN的两个问题

1、测试和训练速度慢

R-CNN中用CNN对每一个候选区域反复提取特征，而一张图片的2000个候选区域之间有大量重叠部分，这一设定造成特征提取操作浪费大量计算。

Fast R-CNN将整个图像归一化后直接送入CNN网络，卷积层不进行候选区的特征提取，而是在最后一个池化层加入候选区域坐标信息，进行特征提取的计算。

 

2、训练所需空间大

R-CNN中目标分类与候选框的回归是独立的两个操作，并且需要大量特征作为训练样本。

Fast R-CNN将目标分类与候选框回归统一到CNN网络中来，不需要额外存储特征。

 

二、Fast R-cnn框架