目标检测算法Fast R-CNN

快速的区域卷积神经网络（Fast R-CNN）是用于目标检测的算法，详情请查看转载的原文链接。

以下是个人思考：

在理解Fast R-CNN之前，应该理解SPP-net空间金字塔池化层的概念，因为SPP是Fast R-CNN的核心之一。SPP是位于最后卷积层和全连接层之前的一个池化层，其作用一是保持全连接层的输入维度固定；二是保证只对图像提取一次卷积层特征。SPP将卷积层输出划分为固定的4*4、2*2、1*1的块并连接起来，组成长度为21的特征向量，这样固定地划分块使得经过SPP处理后，输出的维度固定。对于SPP的输入是进行等比例缩放，使得宽高比保持不变而不产生畸变。另外，R-CNN是对每一个候选区域分别进行CNN，使得CNN不共用而花费大量资源；而SPP-net对整个待测图像进行CNN，得到卷积层特征图像后，利用空间映射关系直接将原图候选区域映射到卷积层特征图像中，这使得只对图像进行一次CNN，相当于共用了资源。

对于Fast R-CNN，核心一是利用简易版的SPP进行特征提取；核心二是改进损失函数，使其同时包含分类损失和位置损失。

简易版的SPP称为RoI pooling（感兴趣区域池化层），SPP采用多个尺度的池化（4*4、2*2、1*1），而RoI pooling只采用一种尺度。此外，对于损失函数的改进，分类损失使用softmax代替SVM，主要是softmax在互斥的类别分类中要优于SVM；位置损失的出现使得今后对候选框精度的改进提出了新的方向。并且两种损失可以并行运算，综合考虑两种损失使得最终结果更加准确。