Fast RCNN

　　R-CNN 的主要性能瓶颈在于需要对每个提议区域独立抽取特征。由于这些区域通常有大量重叠，独立的特征抽取会导致大量的重复计算。我们可不可以在每张图片上只使用一次 CNN 即可得到全部的重点关注区域呢，而不是运行 2000 次。

　　Fast R-CNN 对 R-CNN 的一个主要改进在于只对整个图像做卷积神经网络的前向计算。RCNN 的作者 Ross Girshick 提出了一种想法，在每张照片上只运行一次 CNN，然后找到一种方法在 2000 个区域中进行计算。在 Fast RCNN 中，我们将图片输入到 CNN 中，会相应地生成传统特征映射。利用这些映射，就能提取出感兴趣区域。之后，我们使用一个 ROI 池化层将所有提出的区域重新修正到合适的尺寸，以输入到完全连接的网络中。

• 输入图片

• 图像被传递到卷积网络中，返回感兴趣区域：
  • 同样用的是选择性搜索作为寻找感兴趣区域

• 之后，在区域上应用Rol池化层，保证每个区域的尺寸相同

• 最后，这些区域被传递到一个完全连接的网络中进行分类，并用softmax和线性回归层同时返回边界框：

References

1. 基础目标检测算法介绍（一）：CNN、RCNN、Fast RCNN和Faster RCNN