Fast R-CNN是在R-CNN的基礎上進行的改進，大致框架是一致的。總體而言，Fast R-CNN相對于R-CNN而言，主要提出了三個改進策略：
1. 提出了RoIPooling，避免了對提取的region proposals進行縮放到224x224，然后經過pre-trained CNN進行檢測的步驟，加速了整個網絡的learning與inference過程，這個是巨大的改進，并且RoIPooling是可導的，因此使得整個網絡可以實現end-to-end learning，這個可以認為是Fast R-CNN相對于R-CNN最大的改進之處。

2. 采用了Multi-task loss進行邊框回歸，這個在R-CNN中也有這方面的實驗。

3. 利用了截斷的奇異值分解（Truncated SVD for faster detection）加速了網絡。
下圖是Fast R-CNN的總體框圖（以VGG16為骨干網）

這個圖比較詳細的表達了Fast R-CNN的結構以及操作，但是該圖中有些細節是沒有展示出來的，因此在這里我們指出這些細節，首先我們圈畫部分，region proposals是通過相關算法實現的，原論文中并沒有標明，提取的每一個region proposal都有一個對應的Ground-truth Bounding Box 和 Ground-truth class label。其中值得注意的是，這里的坐標均是對應原圖像的，而不是輸出的feature maps。因此，還需要把原圖像的坐標系映射到feature maps上。這一點也很簡單，比如采用的是pre-trained 網絡模型為VGG16的話，RoIPooling替換掉最后一個max pooling層的話，則原圖像要經過4個max pooling層，輸出的feature maps是原圖像的1/16，因此，將原圖像對應的四元數組轉換到feature maps上就是每個值都除以16，并量化到最接近的整數。這樣我們就實現了將原圖中region proposals 到特征圖中的轉換、接下來就是將region proposals框起來的那部分特征圖輸RoIPooling，得到固定大小的輸出特征圖，這里假設（原論文中分成了7x7）每一個框的被劃分為6x6的網格大小，根據規則我們知道，從每一個框中挑選出一個最大值，作為輸出，所以經過池化后，產生的特征圖的大小為6x6，由于是按通道池化（最大池化）的，所以每一個ROI對應一個6x6x256的特征圖，并且有P個類別，所以這些特征圖組合之后，形成6x6x256xP的特征圖，即為ROIPooling的層的輸出，然后進行全連接，形成4096*P的特征圖，這樣我們就可以利用得到的特征圖去進行線性回歸和分類，這就是對本人fast RCNN的一個個人理解，也有可能存在欠缺。

總結

以上是生活随笔為你收集整理的Fast R-CNN 个人理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。