Fast R-CNN是在R-CNN的基礎(chǔ)上進(jìn)行的改進(jìn)，大致框架是一致的?？傮w而言，Fast R-CNN相對于R-CNN而言，主要提出了三個(gè)改進(jìn)策略：
1. 提出了RoIPooling，避免了對提取的region proposals進(jìn)行縮放到224x224，然后經(jīng)過pre-trained CNN進(jìn)行檢測的步驟，加速了整個(gè)網(wǎng)絡(luò)的learning與inference過程，這個(gè)是巨大的改進(jìn)，并且RoIPooling是可導(dǎo)的，因此使得整個(gè)網(wǎng)絡(luò)可以實(shí)現(xiàn)end-to-end learning，這個(gè)可以認(rèn)為是Fast R-CNN相對于R-CNN最大的改進(jìn)之處。

2. 采用了Multi-task loss進(jìn)行邊框回歸，這個(gè)在R-CNN中也有這方面的實(shí)驗(yàn)。

3. 利用了截?cái)嗟钠娈愔捣纸?#xff08;Truncated SVD for faster detection）加速了網(wǎng)絡(luò)。
下圖是Fast R-CNN的總體框圖（以VGG16為骨干網(wǎng)）

這個(gè)圖比較詳細(xì)的表達(dá)了Fast R-CNN的結(jié)構(gòu)以及操作，但是該圖中有些細(xì)節(jié)是沒有展示出來的，因此在這里我們指出這些細(xì)節(jié)，首先我們?nèi)Ξ嫴糠?#xff0c;region proposals是通過相關(guān)算法實(shí)現(xiàn)的，原論文中并沒有標(biāo)明，提取的每一個(gè)region proposal都有一個(gè)對應(yīng)的Ground-truth Bounding Box 和 Ground-truth class label。其中值得注意的是，這里的坐標(biāo)均是對應(yīng)原圖像的，而不是輸出的feature maps。因此，還需要把原圖像的坐標(biāo)系映射到feature maps上。這一點(diǎn)也很簡單，比如采用的是pre-trained 網(wǎng)絡(luò)模型為VGG16的話，RoIPooling替換掉最后一個(gè)max pooling層的話，則原圖像要經(jīng)過4個(gè)max pooling層，輸出的feature maps是原圖像的1/16，因此，將原圖像對應(yīng)的四元數(shù)組轉(zhuǎn)換到feature maps上就是每個(gè)值都除以16，并量化到最接近的整數(shù)。這樣我們就實(shí)現(xiàn)了將原圖中region proposals 到特征圖中的轉(zhuǎn)換、接下來就是將region proposals框起來的那部分特征圖輸RoIPooling，得到固定大小的輸出特征圖，這里假設(shè)（原論文中分成了7x7）每一個(gè)框的被劃分為6x6的網(wǎng)格大小，根據(jù)規(guī)則我們知道，從每一個(gè)框中挑選出一個(gè)最大值，作為輸出，所以經(jīng)過池化后，產(chǎn)生的特征圖的大小為6x6，由于是按通道池化（最大池化）的，所以每一個(gè)ROI對應(yīng)一個(gè)6x6x256的特征圖，并且有P個(gè)類別，所以這些特征圖組合之后，形成6x6x256xP的特征圖，即為ROIPooling的層的輸出，然后進(jìn)行全連接，形成4096*P的特征圖，這樣我們就可以利用得到的特征圖去進(jìn)行線性回歸和分類，這就是對本人fast RCNN的一個(gè)個(gè)人理解，也有可能存在欠缺。

總結(jié)

以上是生活随笔為你收集整理的Fast R-CNN 个人理解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。