深度学习物体检测（三）——FAST-RCNN

R-CNN模型存在三个问题:
(1) 训练分为多个阶段，步骤繁琐:  微调卷积网络 + 训练SVM二分类器 + 训练边框回归器
(2) 训练耗时，占用磁盘空间大：5000 张图像产生几百G的特征文件
(3) 速度慢: 使用GPU,  VGG16模型处理一张图像需要47s

SPP-NET相比于R-CNN大大加快目标检测的速度，但是依然存在两个问题：
(1) 训练分为多个阶段，步骤繁琐:  微调网络 + 训练SVM二分类器 + 训练边框回归器
(2) SPP-NET在微调网络的时候固定了卷积层，只对全连接层进行微调，而对于一个新的任务，有必要对卷积层也进行微调。（分类的模型提取的特征更注重高层语义，而目标检测任务除了语义信息还需要目标的位置信息）

针对这两个问题，RBG又提出Fast R-CNN, 一个精简而快速的目标检测框架。

Fast R-CNN整体框架：

1、用selective search在一张图片中生成约2000个候选区域，即ROI
2、把整张图片输入到全卷积的网络中，在最后一个卷积层上对每个ROI求映射关系，并用一个ROI pooling layer来统一到相同的大小，提取一个固定维度的特征表示。

3、继续经过两个全连接层（FC）得到特征向量

4、特征向量经由各自的FC层，得到两个输出向量：softmax分类和边框回归

Fast R-CNN融合了R-CNN和SPP-NET的精髓，并且引入多任务损失函数，使整个网络的训练和测试变得十分方便。

相比R-CNN和SPPnet网络，FAST-RCNN有以下改进：

1、ROI pooling layer实际上是SPPnet的一个精简版，SPPnet对每个候选区域使用了不同大小的金字塔映射，而ROI pooling layer只需要下采样到一个特征图，例如VGG16网络，所有候选区域对应了一个7*7*512维度的特征向量作为全连接层的输入

2、R-CNN训练过程分为了三个阶段，而Fast R-CNN直接使用softmax替代SVM分类，同时利用多任务损失函数边框回归也加入到了网络中，这样整个的训练过程是端到端的(除去候选区域提取阶段)
3、 Fast R-CNN在网络微调的过程中，将部分卷积层也进行了微调，取得了更好的检测效果