Fast R-CNN ICCV2015
一、优缺点
优点：
1.速度快、mAP准确率更高
2.端到端的单阶段训练过程，提出了ROI池化；提出了多任务损失函数，分类过程用sofftmax分类代替了SVM分类，把分类和回归任务合并，因此两个任务统一进行训练。
3.不用离线存储大量的特征
缺点：
依然用Select Search的方法去提取候选框，仍需要提取2000个region proposal
二、过程
1.同样和SPP-Net一样，把一整张图片放入卷积，提取了conv5的特征，然后用Selective Search生成对应的region proposal，并将其对应到conv5的特征上。
2.把region proposal不同尺度的特征，放入到ROI 池化层，得到想同维度的特征。
3.然后对相同纬度的特征做了softmax分类以及回归，这两部分的损失对应到一个损失函数上计算。
三、ROI pooling 层
1.具体的实现
对于不同维度的特征，划分成一个HW的网格，然后对于每个网格里的特征用最大池化提取一个特征，因此对于不同维度的特征，最后的得到的是HW个数值。
2.反向传播过程需注意
网格中的数据可能会重叠，若是重叠的话，则把是多个区域的偏导之和相加，若不重叠，则计算max pooling的反向传播
四、损失函数
五、训练
其中，每次训练对于大的图片，选择两张，并且每张图片上提取ROI特征64个，即得到64个region proposal对应的特征。用这128张图片去进行训练。
在这128张图片上，每次训练要求正样本的数量，即包含数字的数量，必须达到总数量的0.25，即IoU重合高于0.5 的region proposal，这样做的原因是使得正负样本的数量相对均等。
六、性能：