FAST-RCNN 和 Faster-RCNN

上面是Fast-RCNN的基本流程

输入有两部分：1）原图。2）Selective Search
Fast-RCNN相比RCNN的优点就在于，只经过一次的前向传播，共享Feature Map，大大加快了速度。
对于各个Region Proposal，我的理解是，从Feature Map里找到相应的区域，再把该输入值投放到ROI Pooling当中，生成一样大小的Feature Vector。

最后利用这些Feature Vector，投入FC进行训练（包括Softmax和regressor两方面的优化）和测试。

上图是Faster-RCNN的流程图

Faster-RCNN与Fast-RCNN的不同点在于，它用RPN网络代替了 SS，进一步加快了速度。可以把它粗糙地看成（RPN+fast-RCNN）。

Faster-RCNN的工作流程主要是：
首先训练RPN网络，训练出一个粗略的检测器。

再利用训练好的RPN网络，提取候选区域，投入Fast-RCNN当中。

关于RPN网络。
假如它的最后一层Feature Map为 60x40x256 我们利用3x3卷积对于其中的每一位置作卷积，因为每个Feature Map都产生一个维度。所以总共就会有256个维度。这256个维度再继续连接两个全连接层以及CLC和REG层。