2015年
是single-stage的方法。对比R-CNN和SPPnet（2015）：
R-CNN的缺点：
1：multi-stage的流程：三个步骤，finetune——SVM——bbox regressor
2: training耗费大量时间和空间
3：测试很慢
R-CNN之所以这么慢的原因是它检测时要在图片的每一个proposal上运行网络，没有共享计算。
SPPnet使用了共享计算。输入的不是各个proposal，而是整张图，得到一个共享的feature map。然后根据各个proposal对应的feature map区域，分别（max-pooling）提取对应特征。得到多尺度的特征图 后，concat得到spatial pyramid。
SPPnet也有R-CNN的类似缺点：multi-stage pipeline。特征存储于磁盘中。还有它的fine-tuning不能更新spatial pyramid pooling前的卷积层，所以限制了很深的网络的精度。
fast r-cnn网络架构：
rp(region proposals)作用在conv5的特征图上，为了保证fc层的输入尺寸固定一致，使用了ROI Pooling。这里可以看作时SPPnet的一个特例（single-level SPP)。
因此可以看出Fast RCNN主要有3个改进：1、卷积不再是对每个region proposal进行，而是直接对整张图像，这样减少了很多重复计算。原来RCNN是对每个region proposal分别做卷积，因为一张图像中有2000左右的region proposal，肯定相互之间的重叠率很高，因此产生重复计算。2、用ROI pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把region proposal作为输入。3、将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。
multi-task loss定义如下：
TSVD分解可以减少FC层参数，加速模型运算。
实验发现sparse rp比dense rp更好。
Fast RCNN的主要缺点在于region proposal的提取使用selective search，目标检测时间大多消耗在这上面（提region proposal 2~3s，而提特征分类只需0.32s），这也是后续Faster RCNN的改进方向之一。