Fast RCNN是加强版的SPPnet，SPPnet的细节可以参考这里，Fast RCNN相比于RCNN在时间和性能上都做了改进。它避免对一幅图片的多个proposal分别计算CNN特征（大量的重复计算），而是对整幅图提取CNN特征之后，再划分对应proposal，从而加提高了检测效率；同时对RCNN的pipeline方法做了一定整合，提升了检测性能。
1 论文信息
发表会议：ICCV2015
2 Motivation
SPPnet基于RCNN做改进，它主要有2个亮点：
- 原图不用resize到统一大小，可直接输入网络，避免失真。因为CNN限制输入的size主要是因为全连接层的结点数是固定的，卷积层是无所谓的，所以在SPPnet中，对最后一个卷积层的结果做固定尺度（如1×1, 2×2, 4×4）的spatial pooling，使得全连接层结点数固定。
- 不用对原图的多个互相重叠的proposal各自计算CNN特征，只需对原图计算CNN特征，然后将原图proposal的位置映射到特征图上即可。
Faster CNN借鉴了这两点，并且为了整合检测pipeline，将object classification和spatial location都整合到一个网络中，使得它们可以协同地训练。
3 Method
3.1 网络结构
3.2 主要步骤
- 经过多层的卷积和pooling得到一组feature map
- 通过SPP net中的ROI projection在这层feature map上找到原图的proposal对应的区域（ROI）
- 利用spatial pooling的思路，对每个ROI做pooling。具体来说就是把h×w的ROI划分为H×W个grid/sub-window，每个grid大小是h/H × w/W，在每个grid内取max。
- 把ROI pooling layer对每个ROI（对应回原图就是每个proposal）输出的H×W长的max pooling feature vector接全连接层
- 全连接层之后有两个输出层，一个softmax分类器，输出该ROI对应的proposal的object类别，一个是bounding box回归层，输出category specific bounding box
3.3 网络训练
3.3.1 用预训练的网络初始化
- 首先对于pretrained ImageNet CNN，把最后一个pooling layer改为ROI pooling layer，并且设置H和W使得spatial pooling feature的维度和全连接层第一层的结点数一致。
- 把网络的最后一个全连接层和softmax层换成两个输出层（object分类和bbox回归）。
3.3.2 finetune网络
- share computation
在RCNN中和SPPnet中，特征提取的CNN是直接使用pretrained model，检测误差用来训练后面的分类和bbox回归。因为Fast RCNN是对整张图计算CNN特征之后才划分proposal，通过这种共享，可以将误差回传到特征提取部分。
- loss function
object class有K类，对于每个ROI，p是一个K+1维概率值，是该ROI对应与原图的proposal的分类打分。u代表object class的ground truth，tu=(tux,tuy,tuw,tuh)是该ROI属于类别u时预测的bbox，v是bbox的ground
truth。
L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
其中Lcls(p,u)=−logpu是预测结果中真实类别u的概率， Lloc(tu,v)=∑i∈x,y,w,hsmmothL1(tui−vi)是把预测结果中真实类别对应的bbox和groundtruth的坐标值进行比较，这里smooth函数的设计使得对outlier更加鲁棒。
- batch sampling
网络训练时的batch size会对训练结果有一定影响，论文中经过多次实验确定参数。
- bp
重新定义了网络结构和网络训练的目标函数后，要重新推导BP，主要是ROI pooling layer的误差回传，实质上这里和max pooling是类似的，因为是grid内取max，所以需要找到grid内的max值的位置然后收集残差即可：∂L∂xi=∑r∑j[i=i∗(r,j)]∂L∂yrj
4 Summary
Fast RCNN通过ROI映射使得一幅图中的proposal共享卷积层，大大减少前向传播的运算量，使得检测速度更快。进一步整合RCNN中的特征提取和目标检测，联合训练网络，提高了检测性能。