Fast R-CNN的提出是基于前面的R-CNN及SPP-NET的改进版本，那么首先再来说明一下R-CNN和SPP-NET各自的不足之处吧~~

R-CNN最明显的不足之处在于对于一幅图片的2000个region proposals需要分别输入CNN进行特征提取，这将变得很耗时。另外因为全连接层的存在，其需要每个输入的region proposal的尺度一样，而这使得其对尺度敏感，不利于实际处理时的应用。整个网络的训练过程不是端到端的，分为region proposal的Selective Search阶段，CNN精调阶段，SVM分类器训练阶段，同时在进行SVM分类之前，需要将提取到的每个region proposal存储在磁盘中（？？？），然后再进行SVM阶段的处理。整个过程是很耗时的。

SPP-NET针对R-CNN中的尺度问题进行了改进，引入了SPP(spatial pyramid pooling)以此来实现对输入图片的大小不作限制，同时不是对每个region proposal单独输入CNN，而是将整张图片输入后得到feature map然后将每个region proposal映射到feature map上的对应位置。以此提升了速度。但整个网络的训练过程和R-CNN一样，也是分为多个阶段的，且需将提取到的特征存放至磁盘再进行SVM的操作。并且，由于SPP的加入，使得其在反向传播时不能对SPP之前的卷积网络进行更新，这限制了最后结果准确率的提升。

综上，R-CNN和SPP-NET的时间和空间消耗都较大。

于是一种end-to-end的joint training的pipeline诞生了~~~
个人觉得，Fast-RCNN是一种联合训练简化版的SPP-NET，至于原因，就从下面的details吧~

训练阶段：

Step1：原始图像的数据处理

文中在训练时与之前的不同是采用了一些训练的小trick，作者在进行SGD时取的mini-batch是两张图中各取64个region proposals共128个作为一次训练的数据。这比从128张图片中各1取一个proposal的方式要快64倍。类似于SPP-NET，将整张图输入至网络。

Step2：利用模型对整幅图提取特征

采用VGG16模型，和SPP-NET中类似，只是将其SPP网络的三层结构换成了单一结构，即只有一层金字塔，此时称其为ROI Pooling。使不同尺度的region proposals形成相同尺寸的特征向量。其整体结构可视为（13个卷积层+4个pooling层+ROI层+2fc层+2个平及层【softmaxLoss层和SmoothL1loss层】）

Step3：多任务训练阶段

要说相比于SPP-NET有明显不同的地方，大概就是这一步多任务训练了。从上图的网络结构可以看出，在最后fc层处有两个并列的输出，一个是用于分类的Softmax，另一个是用于bounding box的回归，以此实现一个完全端到端的网络结构。此时，对于Step2中提取到的特征，可不必存于磁盘而是直接输入到softmax和regression中进行训练（？？）注：此时的正样本需满足余groundtruth的IoU>0.5.（可理解为，在之前如SPP-NET，R-CNN中在对CNN网络进行精调时，需要IoU>0.5，在对SVM训练时IoU>0.3，故在此进行联合训练时取其较大值0.5）

多任务损失：分类采用softmax损失，回归采用SmoothL1Loss，两者的权比例为1:1.如下图：

total loss

SmoothL1Loss

(??对于回归部分的损失)

另外，为了加快速度，作者对于全连接层处的矩阵进行了SVD分解，这样使得RoI数目较大时可以使速度明显提升。

************
在进行训练时，多尺度图像训练Fast R-CNN与单尺度图像训练相比，只提升了微小的mAP,但是时间成本却增加了很多，故综合考虑，作者建议直接用一种尺度的图像训练Fast R-CNN。（如何训练的？）

scale choose

************

Step4 预测阶段：

与SPP-NET类似，对图片利用Selective Search提取region proposals，然后将整张图片输入网络，经过卷积层提取特征后，可利用ROI pooling层对不同尺寸的region proposal形成相同长度的特征向量，然后输入之后的fc层和softmax即regression进行分类及boundingbox回归。并进行非极大值抑制对boundingbox进行筛选。

********
并不是proposal提取越多效果就会越好，提取得太多，效果反而会使mAP值下降。

********