Fast R-CNN算法流程

• 对比与R-CNN其在第二步时并没有将所有的候选区域进行逐个的CNN特征提取，而是直接将整个图片进行一次CNN特征提取，让后再将候选区映射到feature map上。可想而知速度得到了提升。
• 这里的ROI pooling层缩放到7x7就是将候选区域对应的特征图在各个channel上，对横纵坐标进行均分，这样就得到了49个区域，再对每个区域进行maxpooling即得到了7x7的特征图。

分类器

• 经过全连接层后，直接采用softmax进行类别预测。

边界框回归器

• 经过全连接层后，进行边界框参数的回归。 

具体如下图

损失函数 

损失主要是分类损失和边界框回归损失，是两类损失的平衡参数 。

 

Fast R-CNN框架

 总结：

相比于R-CNN其在对候选区域的特征提取部分进行了优化，并且将R-CNN中的类别预测边界框预测以及边界框预测调整进行了合并，提高了计算速度。