作者：Ross Girshick（RBG大神）

发布时间：2015

发布期刊：ICCV

论文全称：Fast R-CNN

论文地址：https://www.semanticscholar.org/paper/Fast-R-CNN-Girshick/7ffdbc358b63378f07311e883dddacc9faeeaf4b

代码：https://github.com/rbgirshick/fast-rcnn*.*

地位：提出ROI-Poling

一、摘要

This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to effificiently classify object proposals using deep convolutional networks. Compared to previous work, Fast R-CNN employs several innovations to improve training and testing speed while also increasing detection accuracy. Fast R-CNN trains the very deep VGG16 network 9× faster than R-CNN, is 213× faster at test-time, and achieves a higher mAP on PASCAL VOC 2012. Compared to SPPnet, Fast R-CNN trains VGG16 3× faster, tests 10× faster, and is more accurate. Fast R-CNN is implemented in Python and C++ (using Caffe) and is available under the open-source MIT License at https://github.com/rbgirshick/fast-rcnn*.*

• Fast R-CNN采用了一些创新来提高训练和测试速度，同时也提高了检测精度
• 同样使用VGG16作为骨干网络，Fast R-CNN在训练上比R-CNN快9倍，测试上快213倍，并且在PASCAL VOC2012数据集上达到更高的MAP
• 同样使用VGG16作为骨干网络，Fast R-CNN在训练上比SPP-net快3倍，测试上快10倍，并且在PASCAL VOC2012数据集上达到更高的准确率

二、研究背景

• Fast R-CNN之前的方法都是分为多阶段来训练模型的，这使得速度很慢，比较较为繁琐
• 目标检测的复杂性主要来源于对目标的定位：
  1. 需要处理数量庞大的候选框
  2. 候选框只是粗略的定位，还需要进行精确细化以实现精确的定位

而解决这些问题的策略通常会影响速度、精确性和简单性

• R-CNN的缺点：
  1. 将训练分为多个步骤：1. 要对候选框进行特征提取；2. 针对每个类别都训练一个SVM分类器；3. 用regressors对bounding-box进行回归
  2. 训练时需要耗费大量的空间和时间，因为需要将每张图的每个候选框分别输入到卷积网络
  3. 测试时速度也很慢，需要47秒才能处理一张图片
• SPP-net的缺点：
  1. 将训练分为多个步骤：1. 要对整张图进行特征提取；2. 将提取的特征用来训练SVM；3. 将提取的特征用来训练bbox的回归
  2. 提出的微调算法不能更新空间金字塔池化之前的卷积层。这种限制（固定的卷积层）限制了非常深的网络的准确性（当每个训练样本(即RoI)来自不同的图像时，通过SPP层的反向传播是非常低效的，每个RoI可能有一个非常大的接受域，通常跨越整个输入图像。由于向前传播必须处理整个接受野，训练输入很大（通常是整个图像））