Fast-Rcnn 核心思想：简化Rcnn中计算的复杂度
针对RCNN的缺点
网络结构：
输入图片直接输入到卷积神经网络中得到特征图（而不是RCNN中先进行区域选择），在特征图中使用Slective search（RCNN是直接使用对原图选择区域）提出若干候选区域进行共享，提出候选区域大小形状可能不同，原本的Rcnn候选区域需要进行Warped 缩放到相同的大小（缩放会丢失某些图像特征），会有信息的损失，在fast-Rcnn中用rol pooling代替warp
同样在分类中，使用softmax+regressor代替svm+regressor实现分类和回归的联合训练
训练速度和预测速度提高，但是Slective search仍然占用的时间偏多faster-RCNN 使用RPN代替 Slective search
三个改进：
- 直接将图片输入到CNN中提取特征，对特征图使用Slective search得到候选区进行共享
- 使用Rol Pooling进行缩放
- 使用softmax+regressor