一、背景
2014年的RCNN, SPP-Net，Ross Girshick在基础上于15年推出Fast RCNN，大幅提升了目标检测的速度，同样使用最大规模的网络，Fast RCNN和RCNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间。
二、网络结构
以下是RCNN 与 Fast-RCNN 比较
整体预测流程：
1、输入整张图像；
2、通过深度网络中的卷积层（VGG、Alexnet、Resnet等中的卷积层）对图像进行特征提取，得到图片的特征图；
3、利用选择性搜索算法得到图像的感兴趣区域（通常取2000个）；
4、对得到的感兴趣区域进行ROI pooling（感兴趣区域池化）：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，这样就得到了感兴趣区域的特征，并且统一了特征大小
对ROI pooling层的输出（及感兴趣区域对应的特征图最大值池化后的特征）作为每个感兴趣区域的特征向量；
5、将感兴趣区域的特征向量与全连接层相连，并定义了多任务损失函数，分别与softmax分类器和boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框；
6、对所有得到的包围框进行非极大值抑制（NMS），得到最终的检测结果。
三、特性
ROI池化
借鉴与SPP-Net，ROI池化相当于简化版，去掉了金字塔结构，如图：
考虑一个88大小的feature map，一个ROI，以及输出大小为22.
输入的固定大小的feature map
region proposal 投影之后位置（左上角，右下角坐标）：（0，3），（7，8）
将其划分为（22）个sections（因为输出大小为22）
对每个section做max pooling，最后得到
多损失函数融合
多损失融合（分类损失和回归损失融合），分类采用log loss（即对真实分类的概率取负log，分类输出K+1维），回归的loss和R-CNN基本一样。
总的损失函数如下：
分类损失函数如下：
回归损失函数如下：
其中有：
利用SVD 改进全连接层（分类是softmax，回归是smoothL1）
由于卷积层计算针对的是一整张图片，而全连接层需要对每一个region proposal都作用一次，所以全连接层的计算占网络计算的将近一半（如下图）。作者采用SVD来简化全连接层计算。