本篇是Object Detection系列第二篇 Fast R-CNN
在上一篇blog中，介绍了R-CNN，最后提到了R-CNN的几个缺点，其中最显著的速度问题，因为要进行上千次的CNN前向运算，导致整个模型的运行速度过慢。
下面笔者就来介绍下R-CNN的改进版，Fast R-CNN.
虽然在Fast RCNN之前有提出过SPPnet算法来解决RCNN中重复卷积的问题，但是SPPnet依然存在和RCNN一样的一些缺点比如：训练步骤过多，需要训练SVM分类器，需要额外的回归器，特征也是保存在磁盘上。因此Fast R-CNN相当于全面改进了原有的这两个算法，不仅训练步骤减少了，也不需要额外将特征保存在磁盘上。
基于VGG16的Fast R-CNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右。
Fast R-CNN
先来看看Fast R-CNN的结构
首先，还是采用selective search提取候选框，然后使用一个神经网络提取整张图片的特征，再通过一个 RoI Pooling Layer在特诊图上提取出每一个候选框的特征，再使用两个全连接层分别进行分类和bbox修正。
Fast R-CNN 跟 R-CNN 的主要不同在于下面四点：
- 用来提取特征的卷积网络是作用在整个图像上，而不是各个候选框上。而且这个卷积网络通常会参与训练，即更新权重。
- 选择性搜索是作用在卷积网络的输出上，而不是原始图像上。
- 在 R-CNN 里，我们将形状各异的候选框变形到同样的形状来进行特征提取。Fast R-CNN 则新引入了兴趣区域池化层（Region of Interest Pooling，简称 RoI 池化层）来对每个候选框提取同样大小的输出以便输入之后的网络。
- 在物体分类时，Fast R-CNN 不再使用多个 SVM，而是像之前图像分类那样使用 Softmax 回归来进行多类预测。
下面我们再介绍下ROI的工作细节
RoI Pooling
Fast R-CNN 中提出的 RoI 池化层跟我们之前介绍过的池化层有显著的不同。在池化层中，我们通过设置池化窗口、填充和步幅来控制输出大小，而 RoI 池化层里我们直接设置每个区域的输出大小。例如设置 n×m，那么对每一个区域我们得到 n×m 形状输出。具体来说，我们将每个区域在高和宽上分别均匀划分 n 和 m 块，如果划分边界不是整数则定点化到最近的整数。然后对于每一个划分区域，我们输出其最大元素值。
我们在 4×4 的输入上选取了左上角的 3×3 区域作为兴趣区域，经过 2×2 的 RoI 池化层后得到一个 2×2 的输出，其中每个输出元素需要的输入均由同色标注。
Multi-task Loss
Fast R-CNN有两个输出结果，目标的类别和bbox的修正值，所以loss也由两部分组成
下面是回归loss，其中t^u表示预测的结果，u表示类别。v表示真实的结果，即bounding box regression target。
[u≥1] 表示当 u≥1 时该式子值为1，其余为0.这个式子保证了在算loss时忽略掉所有的background(background 的类别为0)
小结
Fast R-CNN将R-CNN众多步骤整合在一起，不仅大大提高了检测速度，也提高了检测准确率。其中，对整张图像卷积而不是对每个region proposal卷积，ROI Pooling，分类和回归都放在网络一起训练的multi-task loss是算法的三个核心。
Fast R-CNN的主要缺点在于region proposal的提取使用selective search，目标检测时间大多消耗在这上面（提region proposal 2~3s，而提特征分类只需0.32s），这也是后续Faster R-CNN的改进方向之一。
更多细节请参考论文地址
下一篇将介绍在Fast R-CNN的继续改进版 Faster R-CNN
