论文阅读 《Fast R-CNN》

发表于 | 分类于 | 阅读次数：
本文字数： 543 | 阅读时长 ≈ 1 分钟

Fast R-CNN 是 2015 年提出来的用于目标检测的一种方法。名字中带有 Fast 就可以看出，这篇论文改进了 R-CNN 的缺点，并加快了训练和测试过程的速度，同时 Fast R-CNN 还提高了目标检测的准确率。

Fast R-CNN 有以下几个优点：

  • 比 R-CNN_SPPnet 更高的检测质量（mAP）
  • 训练是单阶段的，且使用了多任务损失
  • 训练可以更新所有的网络层
  • 特征缓存不需要磁盘存储

Fast R-CNN 的架构如下图所示，输入的是整个图片以及一系列的 _object proposals_。首先，用卷积层和最大池化层作用于整个图像得到一个特征图。然后，对于每个 _object proposal_，_region of interest_（_ROI_）池化层从特征图中提取固定长度的特征向量。每个特征向量被送入多层全连接网络中。最后，全连接网络后面有两个输出分支，如图所示，一个分支是 softmax 层输出每个类别的概率评估，另一个分支是每个类别的边框回归。该网络架构是端到端训练的，并且使用了多任务损失。

详细解说可以查看：https://blog.csdn.net/shenxiaolu1984/article/details/51036677