【RCNN系列】Fast RCNN

⭐ Fast RCNN

参考文献：《Fast R-CNN（2015）》

对R-CNN进行了改进提升，技术流程为：候选区域生成、CNN网络提取整图特征、ROI池化得到候选区域特征、同时完成分类+回归。

---

✔️诞生背景

R-CNN通过选择性搜索提出2000个候选区，每个区域都要进行CNN提特征+SVM分类，计算量大速度慢，且每个区域特征存到磁盘上空间消耗大；候选区大小不一，因FC的存在不得不resize固定尺寸造成图像失真(SPP-Net已解决前俩)；CNN、SVM、边框回归器是分别训练的，没有融合成一个整体。

✔️网络结构

与R-CNN模块大致相同，相比R-CNN有一些改变。

• 生成候选区模块：SS(selective search)，输入origin图片，利用边缘、纹理、色彩变化等信息生成2000个候选区域。每个区域可能有1个物体，与类别无关。
• 提取特征的CNN模块：骨架是VGG-16用ImageNet预训练，用卷积层和池化层处理