整体训练框架大致为：
1.与R-CNN一样用Selective Search方法生成2000个建议矿框（proposals）
2.将整张图片直接输入CNN中，进行特征提取，得到feature map
3.把之前生成的2000个建议框映射到刚刚CNN提取的最后一层feature map 上
也就是说，与R-CNN最大的区别是fast R-CNN先进行特征提取，后映射2000个建议框（R-CNN先分2000个，将每个拉伸到227*227，将统一尺寸的建议框进行特征提取）上，避免了其中的重复计算
4.通过RoI pooling层 将每个建议框生成固定尺寸的feature map
5.利用 Softmax Loss和Smooth L1 Loss 对分类概率和边框回归（Bounding box regression）联合训练
整体探测框架大致为：
1.与R-CNN一样用Selective Search方法生成2000个建议矿框（proposals）
2.将整张图片直接输入CNN中，进行特征提取，得到feature map
3.把之前生成的2000个建议框映射到刚刚CNN提取的最后一层feature map 上
也就是说，与R-CNN最大的区别是fast R-CNN先进行特征提取，后映射2000个建议框（R-CNN先分2000个，将每个拉伸到227*227，将统一尺寸的建议框进行特征提取）上，避免了其中的重复计算
4.通过RoI pooling层 将每个建议框生成固定尺寸的feature map
5.利用 Softmax Loss 探测分类概率
6.利用Smooth L1 Loss探测边框回归：分段函数，四个角坐标带入再相加
检测：损失函数之SmoothL1Loss：https://blog.csdn.net/wfei101/article/details/79252021
7,用边框回归值校正原来的建议窗口，生成预测窗口坐标。