06- 算法解读 Fast R-CNN (目标检测)

要点：

Fast R-CNN 属于 Two-stage detector

回归损失参考：https://www.cnblogs.com/wangguchangqing/p/12021638.html

二 Fast R-CNN算法

Fast R-CNN 是作者 Ross Girshick 继 R-CNN 后的又一力作。同样使用 VGG16 作为网络的 backbone ，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从 62%提升至66% ( 再 Pascal VOC 数据集上 ) 。

Fast R-CNN算法流程可分为3个步骤：

一张图像生成1K~2K个候选区域 ( 使用 Selective Search 方法)
将图像输入网络得到相应的特征图，将 SS算法生成的候选框投影到特征图上获得相应的特征矩阵
将每个特征矩阵通过 ROI pooling 层缩放到 7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

2.1 一次性计算整张图像特征

R-CNN 依次将候选框区域输入卷积神经网络得到特征。

Fast-RCNN将整张图像送入网络，紧接着从特征图像上提取相应的候选区域。这些候选区域的特征不需要再重复计算。

2.2 RoI Pooling Layer

RoI Pooling Layer（感兴趣区域池化层）是用于从卷积特征图中提取感兴趣区域的一种机制。RoI指的是Region of Interest（感兴趣区域），它是指在输入图像中通过目标检测算法得到的边界框。

RoI Pooling Layer的作用就是将不同大小的RoI区域映射为相同大小的输出。具体来说，它首先将每个RoI区域划分成固定大小的子区域，然后对每个子区域做最大池化操作，得到一个固定大小的输出。这样做的好处是可以保证不同大小的RoI区域都能够被处理，并且将它们映射为相同大小的输出特征图，便于后续的分类和回归任务。不限制输入图像的尺寸