Fast-RCNN

论文：Fast R-CNN

代码地址：https://github.com/rbgirshick/fast-rcnn

先说一下性能吧，Fast R-CNN较R-CNN在速度上提升到了5帧/S并且在mAP上也大约提升了3.2%.

好了，现在我们来看看Fast R-CNN的神奇之处吧。Fast R-CNN的框图如下图所示：

                             

从图中我们可以发现，其在RCNN网络的输入上做了些许的改变，也就是提出了ROIPooling层。该

层可以将输入的不同尺寸的Proposal规范到相同的尺寸中，之后再通过RCNN网络进行前向和反向

传播。ROIPooling层的原理其实非常的简单，即对输入的Proposal按照一定的尺寸进行均匀分割并

对每一块进行最大池化运算，例如，输入的Proposal大小为h×w，输出大小为H×W，则分割后每一

块的大小为(h/H)×(w/W)，实际运算时可能会有四舍五入的情况。

后面的网络结构和RCNN很相似，只是这里的batch size为128，即每张图片采样64个Proposal，并且

25%的为正样本。

另外Fast-RCNN中还引入了SVD来提升运算速度，但是这一创新在实际编程时可以通过减少通道数等

来进行替代。最后Fast-RCNN在VOC上的具体性能可以看下表：