1. 最大创新点：
应用RoI pooling layer将R-CNN中大量region proposal输入CNN训练以得到候选框的特征改变成由CNN训练图像然后在输出的图像特征上映射每个region proposal所对应的特征区域。避免了CNN重复计算相同的区域（因为原始的region proposal肯定有大量的重复区域）。简单总结：
- Fast R-CNN将整张整张图片归一化之后直接送入深度网络，邻接时才加入候选框信息，只有末尾的少数几层才处理每个候选框；相比之下，R-CNN框架中，一张图像内候选框之间大量重叠，需要重复地提取特征，耗时间。
- Fast R-CNN把类别判断和位置精修统一到一个深度网络中，不需要额外存储；相比之下，RCNN中独立的分类器和回归器需要大量特征作为训练样本，耗空间。
2. 流程
- Selective Search在一张原始图片中得到约2k个候选框(这里称为RoI)；
- 使用卷积网络（CNN-VGG16）提取原始图片特征；
- 在conv5出来的feature map上，使用RoI pooling layer根据之前的RoI对应的原图的位置和大小计算出每个RoI对应的输出的feature map上的具体位置、形状和大小，再统一到一样的尺度（文中是7 x 7）；
- 继续经过两个全连接层得到特征，然后分别经过一个新的全连接层，最后连接上各自的损失函数：
一个是分类，使用softmax函数；
一个是回归，使用smooth的L1-loss范式。
3. RoI pooling layer
详细原理及过程请参考博主另一篇博文：点击
4. 分类与边框回归
此处，复制别人的分析，非常有道理。
- 边框回归：
- 分类：
不再像R-CNN需要通过SVM等分类器来分类，Fast R-CNN使用神经网络来进行分类操作：输出K+1维数组pp，表示属于K类和背景的概率,这是针对每个ROI区域的分类概率预测
分类代价（损失）为：
其中，
表示u属于正确类别的概率，如u为背景，则
对应
。
- 联合损失：
