简介
R-CNN的进阶版Fast R-CNN就是在R-CNN的基础上采纳了Spatial Pyramid Pooling（SPP） 方法，对R-CNN作了改进，使得性能进一步提高。
《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》论文地址：https://arxiv.org/pdf/1406.4729.pdf
《Fast R-CNN》论文地址：https://arxiv.org/pdf/1504.08083.pdf
一、铺垫——SPP Net
在目标检测系列文章的上一篇R-CNN中，我们知道R-CNN在当时虽然取得了不错的成绩，但是其需要改进的地方也很多，比如算法步骤比较繁琐，需要大量的时间和内存去训练和测试模型等。
SPP提出来一种Spatial Pyramid Pooling（SPP）结构来解决这种问题，将这种结构放在卷积层与全连接层中间，在多个测试中取得了不错的效果。
如图可以看出上面需要加入一些裁剪、拉伸等操作，才能得到一个固定大小的输入，下面只需要加一个SPP层就可以达到相同作用，并且还有其他优点。
- 在卷积层和全连接层之间加入了SPP layer。此时网络的输入可以是任意尺度的，在SPP layer中每一个pooling的filter会根据输入调整大小，而SPP的输出尺度始终是固定的。
- SPP的核心在于使用多个不同尺寸的窗口来对CNN提取的特征图进行最大池化（上图中的蓝色4x4、青色2x2、灰色1x1窗口），将分别得到的结果进行合并就会得到固定长度的输出（16+4+1维特征向量），作为后面全连接层的输入。
SPP优点：
- 解决输入图片大小不一造成的缺陷。
- 由于把一个feature map从不同的尺寸进行pooling特征抽取，再聚合，提高了算法的robust和精度。
- 图像分类、目标检测都可以用，而且效果很棒。
- 一定程度上缓解了R-CNN耗时过多等问题。
二、Fast R-CNN原理
在Fast RCNN之前提出过SPPnet来解决R-CNN中重复卷积问题，但SPPnet仍然存在与R-CNN类似的缺陷：
1.训练分多步骤（需要SVM分类器，额外的regressors）
2.空间开销大
因此，该文提出的Fast R-CNN便是解决上述不足，在保证效果的同时提高效率。基于VGG16的Fast R-CNN模型在训练速度上比R-CNN快大约9倍，比SPPnet快大约3倍；测试速度比R-CNN快大约213倍，比SPPnet快大约10倍，在VOC2012数据集上的mAP大约为66%。
具体步骤：
1：输入一张任意尺度的图像。
2：利用Selective Search方法提取候选框，并把这些候选框的位置关系映射到卷积后提取的0特征图。
3：进行RoI Pooling操作，得到4x4维的特征向量。
4：输入进Softmax进行分类，对候选框的位置进行回归。
Fast R-CNN框架与R-CNN有两处不同：
- 最后一个卷积层后加了一个ROI pooling layer（算是SPP pooling layer的简化版，采用单一尺度的窗口4x4）；
- 损失函数使用了multi-task loss（多任务损失）函数，将边框回归直接加到CNN网络中训练。分类Fast R-CNN直接用softmax替代R-CNN用的SVM进行分类。
- 由于卷积层计算针对的是一整张图片，而全连接层需要对每一个region proposal都作用一次，所以全连接层的计算占网络计算的将近一半（如下图）。作者采用SVD来简化全连接层计算。
不足：
region proposal的提取仍然采用selective search，整个检测流程时间大多消耗在这上面（生成region proposal大约2~3s，而特征提取+分类只需要0.32s），之后的Faster RCNN的改进之一便是此点。
系列传送门：
目标检测——R-CNN（一）
目标检测——Faster R-CNN（三）
目标检测——Mask R-CNN（四）
目标检测——R-FCN（五）
目标检测——YOLOv3（六）
目标检测——YOLOv4（七）