图解目标检测 之 Fast-RCNN 算法 原理 详解_fastcnn原理

Fast-RCNN

一.背景

继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，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.RCNN缺点,Fast RCNN的改进

Fast RCNN方法解决了RCNN方法三个问题：

测试时速度慢
RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。
Fast-RCNN将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。

训练时速度慢
原因同上。
在训练时，Fast-RCNN先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。

训练所需空间大
RCNN中独立的分类器和回归器需要大量特征作为训练样本。
Fast-RCNN把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

三.Fast -RCNN 算法流程 及思想

(图片来自网络)

主要流程：用se