论文题目：《Fast R-CNN》
论文地址：Fast R-CNN
1. 概述
之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：1、训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。2、时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗还是比较大的。3、测试的时候也比较慢，每张图片的每个region proposal都要做卷积，重复操作太多。
Fast R-CNN算法主要步骤为：
1）Feature Extraction：使用ConvNet只对图像进行一次计算得到特征图。
2）Sample ROIs：在原图上使用selective search算法生成2000个region proposal。
3）POI Projection：将selective search生成的region proposal投影到CNN提取到的特征图上。
4）ROI Pooling:将POI Projection过程得到的特征图变成固定大小的特征图输出。
5）分类和回归：最后，通过后续的FC层分别生成bounding box和classes。