Fast R-CNN论文笔记

目标检测要求对目标进行精确定位，这增加了复杂度，会产生两个主要的挑战：

    1.  大量候选的目标定位（proposals）需要被处理

    2.  候选的proposals只提供了大致的目标定位，需要通过优化获得更加精确的定位

论文中，作者提出一种“单级训练算法”（single-stage training algorithm ），proposals分类与重新定位同时进行。

R-CNN的缺点：

    1.  训练是多级的

    2.  训练阶段，时间空间上消耗太大

    3.  测试阶段，目标检测太慢

    原因：R-CNN对每个proposal进行前向卷积，而没有共享计算

SPP nets

    SPP nets通过共享计算对R-CNN进行加速。首先计算一整张输入image的conv feature map，然后通过共享的feature map提取feature vector，并以此对proposal进行分类。

    用max-pooling对feature map提取proposal的feature（一个固定大小的输出），多个输出对应多种尺寸，然后送入SPP net。

缺点：

    1.  训练也是多级的

    2.  训