Fast RCNN 算法
- 解决的问题:
1. 避免了R-CNN中的冗余的特征提取操作，只对整张图像全区域进行一次特征提取；
2. 用Rol pooling层取代最后一层max pooling层，同时在此处引入建议框信息，提取相应建议框特征；
3. 网络末尾采用并行的不同的全连接层，可同时输出分类结果和回归结果，实现了end-to-end的多任务训练；
4. 无需额外的磁盘空间缓存特征；
5. 比R CNN和SPPNet有着更高的目标检测精度和更快的检测速度。
- 流程:
-
1. 任意size的图像输入CNN，经过卷积和池化得到特征图；
2. 在任意size图片上采用selective search算法提取约2K个建议框；
3. 根据图中建议框到特征图映射关系，在特征图中找到建议框对应特征框，并利用Rol池化层将每个特征框池化到H*W的大小；
4. 将固定了大小的特征框经过全连接层得到固定大小的特征向量；
5. 将第4步中的特征向量经过不同的全连接层，分别得到两个输出向量：一个softmax的分类得分，一个是Bounding-box窗口回归；
6. 利用窗口得分分别对每一类物体进行非极大抑制提出重复建议框，最终得到每个类别中回归修正后的得分最高的窗口。 - 存在的问题:
1. 每张图片由ss算法产生的约2000的建议框消耗了大量的计算资源和时间；
2. 没有实现真正意义上的end-to-end的训练模式。
