Fast-RCNN笔记

Fast-RCNN
继2014年的RCNN之后，作者借鉴了SPP-Net的设计思想，在15年推出了Fast RCNN。

卷积只要做1次获得特征图，将ss算法生成的2000个候选区域映射到特征图上
再做ROI pooling(类似金字塔池化），变成相同维度的数据，再用得到的数据训练回归器和分类器

ROI Pooling(Region of Interest Pooling)

roi pooling层其实是SPP-Net中金字塔池化层的一种简单化的形式，roi pooling层只使用一种固定输出大小的max-pooling。
将每个候选区域均匀分成MxN块(比如3x3块)，对每块进行max-pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。



原来RCNN通过卷积提取特征后，需要用特征分别单独训练1个回归器和1个分类器

Fast-RCNN把bbox regression放进了神经网络内部，与region分类和并成为了一个multi-task模型，ROI pooling之后通过1个全连接层，全连接层之后同步进行分类和回归。实际实验也证明，这两个任务能够共享卷积特征，并相互促进。这个结构的优化极大提升了模型的训练和预测速度，也为后来的Faster-RCNN做下了铺垫。