这次讨论的是RCNN的升级版，Fast R-CNN，作者还是rbg。
Fast RCNN是RCNN的改进，那么首先要知道RCNN有哪些地方可以改进的。
首先 ，RCNN模型中CNN模型的分类和SVM模型的分类是一前一后的，也正是这种关系，使得模型有了断层。具体说来SVM参数的更新对于CNN网络模型的更新是没有影响的。这在Fast RCNN中的改进是使用一个end-to-end的方式来进行整体结构优化（当然region proposals还是使用SS生成的，这也是Faster RCNN的一个改进的地方），这也是为什么Fast RCNN中最后会有两个输出结构的分支。
其次，在RCNN后面更新的版本中（version5），提到使用Bounding-box regression的方式来对候选框进行一个修正，这个改进彻底的引入到了Faster RCNN模型当中，最后输出的一个分支结构就是具体的体现。
最后一个就是共享层的提出，这个我觉得是最棒的了，因为大大降低了模型的计算量。在RCNN中，是先从image中crop出SS出来的图像，然后在送到网络中得到对应的特征向量，因此，对于一张图片来讲要进行2k次这样的计算，这是因此这个crop操作实在网络的输入处，如果将这个操作移到网络的输出处（论文中说的是pool5），那么就可以只计算一次就可以,然后再从对应的特征中crop出来。
大体来讲整个模型的主要改进就是这样的。
因此网络模型分为两步：
第一步，生成对应的候选框，region proposals，在这篇文章中也叫做RoI。
第二步，将图片以及对应的RoI输入到网络中，得到图片的类别信息和需要修正RoI的信息（并不是直接生成物体所在的边框的位置，而是生成对SS出来的边框的一个修正值），最后在进行和RCNN中后面类似的操作就可以了。
END ^_^
细节部分
RoI 是什么？
论文中RoI是一个4元组，表示的是region proposals在原始图像中的位置，从左到右的含义依次为，左上角的x，左上角的y，高度h，和宽度w。
RoI和RoI层是相关联的，RoI层的输入就是从feature中crop出来的RoI。文章提出RoI层的目的是为了对于不同尺寸的RoI对应的Feature map（也是不同尺寸）生成同样尺寸的Feature map（这里继承了SPNet的思想，采用的是最大池化的方式）。具体实现就是预先定义好要生成的尺寸大小（文中是作为一种超参数存在的），然后按照根据这个尺寸大小求出对应池化大小的尺寸，这样就可以了。
网络模型：
这次使用的是预训练好的网络模型权重，因此不用像RCNN中那样，自己训练一个网络模型。
然后就是进行网络结构的调整，具体步骤如下：
首先，网络模型最后的池化层被RoI层给取代了。接着将全连接层以及最后的softmax层用两个分支层来替换，一个层来输入对应类别概率，另一个是用来输出对于RoI的bounding-box regressors。最后将模型单输入修改成为多输入，一个输入原始图片信息，另一个输入对一个RoI（也就是那个四元组）。
接下来是什么呢？那就是最最重要的微调了。
第一：对数据的采样方式。每次输入2张图片（随机采样）和64个RoI（每张图片），这样可以尽可能的利用sharing features。
第二：采用多任务损失函数来联合训练。
然后采用SGD的方式进行训练就可以了，这部分用语言描述太微弱了，还是看原文是如何来进行陈述的吧，最考验技巧性的时候到了。
这里插一句话，总感觉Fast RCNN这种实现方式，像极了将深度学习当作一个黑箱，比方说，在图像尺度方面的描述称让网络自己来学习其中的尺度不变性，以及在RCNN中还使用线性回归的方式来进行bbos-regression，这里直接使用神经网络来实现了，可能两者是等效的吧，我对这里的研究还不是太深。总之这篇文章中有太多的不可描述。过几天写Faster RCNN的时候会显得更加机械化，也就是说不出道理来，这样会使得效果很好，解释性就显得微弱一些，回到正题吧。
测试阶段：
上面的网络模型已经训练好了，接下来就是将测试的图片输入到网络中，输入一张图片以及2k左右的RoI，网络会得到一个2K*(C+1)的概率矩阵，同时还会得到2k*4k（这里的k表示的是类别信息）的region refine，然后进行non-maximum suppression independently for each class，这里只要对列进行操作就行了，因为每一列都是同一个类别的。
感觉自己理解的也不是特别深刻，就这样吧。