基本原理

Fast Rcnn主要步骤为

• 利用SR算法生成候选区域
• 利用VGG16网络进行特征提取
• 利用第一步生成的候选区域在特征图中得到对应的特征矩阵
• 利用ROI pooling将特征矩阵缩放到相同大小并平展得到预测结果

---

相对于RCNN的优化

主要有三个改进

1. 不再将每一个候选区域依次放入CNN网络中进行特征提取等一系列操作，而是采取将整张图输入网络，得到特征图。然后再利用原图中的候选区域在特征图中对应的区域进行展平，得到预测结果。
2. 不再需要对图片进行强制缩放，而是采取利用ROI Pooling缩放到相同大小。
3. 不再使用SVM进行分类，而是使用softmax进行代替。

---

优化意义

1. 第一个优化点
   一张图片只需要通过卷积网络一次，减少了大量的运算，但是对于特征图的每一个候选区域，全连接层需要对每一个候选区域进行一次运算处理，而算法作者使用SVD进行加快处理。
2. 第二个优点
   roi pooling可以提高训练处理速度，更好解决缩放问题。
3. 第三个优化点

• 将分类的损失纳入网络训练整个过程中，相对于RCNN减少了对磁盘空间的占用。
• 全连接层有两个分支，一个用于softmax分类，另一个用于位置回归。
• 损失函数为
  $L(p,u,t^u,v)=L_{cls}(p,u)+\lambda [u⩾1]L_{loc}(t^u,v)$
  其中$L_{cls}(p,u)=-log(p,u)$是分类损失，p是预测的概率，u是真实标签。
  $\lambda [u\ge 1]L_{loc}(t^u,v)$是位置损失，v是预测得到的偏移量与缩放系数，$t^u$是实际的候选框与真实框的偏移量与缩放系数，与RCNN一致。
  前面的系数$\lambda [u\ge 1]$是用于判断候选区域为背景还是物体。如果是背景，则不计算；如果是物体，则计算回归。
  其中
  L l o c ( t u , v ) = ∑ i ϵ { x , y , w , h } s m o o t h L 1 ( t i u − v i ) L_{loc}(t^u,v)=\sum_{i\epsilon \{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i) Lloc​(tu,v)=∑iϵ{x,y,w,h}​smoothL1​​(tiu​−vi​)
  $smoot{h}_{L_1}(x)=\{\begin{array}{c}0.5x^{2}if|x|<1\\ |x|-0.5otherwise\end{array}$