規避R-CNN中冗余的特征提取操作，只對整張圖像全區域進行一次特征提取；

用RoI pooling層取代最后一層max pooling層，同時引入建議框信息，提取相應建議框特征；

Fast R-CNN網絡末尾采用并行的不同的全連接層，可同時輸出分類結果和窗口回歸結果，實現了end-to-end的多任務訓練【建議框提取除外】，也不需要額外的特征存儲空間【R-CNN中這部分特征是供SVM和Bounding-box regression進行訓練的】；

采用SVD對Fast R-CNN網絡末尾并行的全連接層進行分解，減少計算復雜度，加快檢測速度。

R-CNN網絡訓練、測試速度都很慢：R-CNN網絡中，一張圖經由selective search算法提取約2k個建議框【這2k個建議框大量重疊】，而所有建議框變形后都要輸入AlexNet CNN網絡提取特征【即約2k次特征提取】，會出現上述重疊區域多次重復提取特征，提取特征操作冗余；

R-CNN網絡訓練、測試繁瑣：R-CNN網絡訓練過程分為ILSVRC 2012樣本下有監督預訓練、PASCAL VOC 2007該特定樣本下的微調、20類即20個SVM分類器訓練、20類即20個Bounding-box 回歸器訓練，該訓練流程繁瑣復雜；同理測試過程也包括提取建議框、提取CNN特征、SVM分類和Bounding-box 回歸等步驟，過于繁瑣；

R-CNN網絡訓練需要大量存儲空間：20類即20個SVM分類器和20類即20個Bounding-box 回歸器在訓練過程中需要大量特征作為訓練樣本，這部分從CNN提取的特征會占用大量存儲空間；

R-CNN網絡需要對建議框進行形變操作后【形變為227×227 size】再輸入CNN網絡提取特征，其實像AlexNet CNN等網絡在提取特征過程中對圖像的大小并無要求，只是在提取完特征進行全連接操作的時候才需要固定特征尺寸【R-CNN中將輸入圖像形變為227×227可正好滿足AlexNet CNN網絡最后的特征尺寸要求】，然后才使用SVM分類器分類，R-CNN需要進行形變操作的問題在Fast R-CNN已經不存在，具體見下。

任意size圖片輸入CNN網絡，經過若干卷積層與池化層，得到特征圖；

在任意size圖片上采用selective search算法提取約2k個建議框；

根據原圖中建議框到特征圖映射關系，在特征圖中找到每個建議框對應的特征框【深度和特征圖一致】，并在RoI池化層中將每個特征框池化到H×W【VGG-16網絡是7×7】的size；

固定H×W【VGG-16網絡是7×7】大小的特征框經過全連接層得到固定大小的特征向量；

第4步所得特征向量經由各自的全連接層【由SVD分解實現】，分別得到兩個輸出向量：一個是softmax的分類得分，一個是Bounding-box窗口回歸；

利用窗口得分分別對每一類物體進行非極大值抑制剔除重疊建議框，最終得到每個類別中回歸修正后的得分最高的窗口。

整個測試過程為什么可以只進行一次CNN特征提取操作？
先看R-CNN網絡，它首先采用selective search算法提取約2k個建議框，并對所有建議框都進行了CNN特征提取操作，會出現重疊區域多次重復提取特征，這些操作非常耗時、耗空間。事實上我們并不需要對每個建議框都進行CNN特征提取操作，只需要對原始的整張圖片進行1次CNN特征提取操作即可，因為selective search算法提取的建議框屬于整張圖片，因此對整張圖片提取出特征圖后，再找出相應建議框在特征圖中對應的區域，這樣就可以避免冗余的特征提取操作，節省大量時間。

為什么要將每個建議框對應的特征框池化到H×W 的size？如何實現？
問題4中已經指出像AlexNet CNN等網絡在提取特征過程中對圖像的大小并無要求，只是在提取完特征進行全連接操作的時候才需要固定特征尺寸，利用這一點，Fast R-CNN可輸入任意size圖片，并在全連接操作前加入RoI池化層，將建議框對應特征圖中的特征框池化到H×W 的size，以便滿足后續操作對size的要求；

具體如何實現呢?
首先假設建議框對應特征圖中的特征框大小為h×w，將其劃分H×W個子窗口，每個子窗口大小為h/H×w/W，然后對每個子窗口采用max pooling下采樣操作，每個子窗口只取一個最大值，則特征框最終池化為H×W的size【特征框各深度同理】，這將各個大小不一的特征框轉化為大小統一的數據輸入下一層。

為什么要采用SVD分解實現Fast R-CNN網絡中最后的全連接層？具體如何實現？
圖像分類任務中，用于卷積層計算的時間比用于全連接層計算的時間多，而在目標檢測任務中，selective search算法提取的建議框比較多【約2k】，幾乎有一半的前向計算時間被花費于全連接層，就Fast R-CNN而言，RoI池化層后的全連接層需要進行約2k次【每個建議框都要計算】，因此在Fast R-CNN中可以采用SVD分解加速全連接層計算；

具體如何實現呢?
① 物體分類和窗口回歸都是通過全連接層實現的，假設全連接層輸入數據為x，輸出數據為y，全連接層參數為W，尺寸為u×v，那么該層全連接計算為:

計算復雜度為u×v；

② 若將W進行SVD分解，并用前t個特征值近似代替，即:

那么原來的前向傳播分解成兩步:

計算復雜度為u×t+v×t，若t<min(u,v)，則這種分解會大大減少計算量；

在實現時，相當于把一個全連接層拆分為兩個全連接層，第一個全連接層不含偏置，第二個全連接層含偏置；實驗表明，SVD分解全連接層能使mAP只下降0.3%的情況下提升30%的速度，同時該方法也不必再執行額外的微調操作。

文中僅采用selective search算法提取約2k個候選區域，那候選區域越多越好嗎？
文中利用selective search算法提取1k~10k中10種數目【1k，2k…】的候選區域進行訓練測試，發現隨著候選區域個數的增加，mAP成先增加后緩慢下滑的趨勢，這表明更多的候選區域會有損精度；與此同時，作者也做了召回率【所謂召回率即候選區域為真的窗口與Ground Truth的比值【IoU大于閾值即為真】】分析實驗，發現隨著候選區域個數的增加，召回率并沒有和mAP成很好的相關性，而是一直不斷增加，也就是說更高的召回率并不意味著更高的mAP；

文中也以selective search算法提取的2k個候選區域為基礎，每次增加1000 × {2, 4, 6, 8, 10, 32, 45}個密集box【滑動窗口方法】進行訓練測試，發現mAP比只有selective search方法的2k候選區域下降幅度更大，最終達到53%。

如何處理尺度不變性問題？即如何使24×24和1080×720的車輛同時在一個訓練好的網絡中都能正確識別？
文中提及兩種方式處理：brute-force（單一尺度）和image pyramids（多尺度）。單一尺度直接在訓練和測試階段將image定死為某種scale，直接輸入網絡訓練就好，然后期望網絡自己能夠學習到scale-invariance的表達；多尺度在訓練階段隨機從圖像金字塔【縮放圖片的scale得到，相當于擴充數據集】中采樣訓練，測試階段將圖像縮放為金字塔中最為相似的尺寸進行測試；

可以看出，多尺度應該比單一尺度效果好。作者在5.2節對單一尺度和多尺度分別進行了實驗，不管哪種方式下都定義圖像短邊像素為s，單一尺度下s=600【維持長寬比進行縮放】，長邊限制為1000像素；多尺度s={480,576,688,864,1200}【維持長寬比進行縮放】，長邊限制為2000像素，生成圖像金字塔進行訓練測試；實驗結果表明AlexNet【S for small】、VGG_CNN_M_1024【M for medium】下單一尺度比多尺度mAP差1.2%~1.5%，但測試時間上卻快不少，VGG-16【L for large】下僅單一尺度就達到了66.9%的mAP【由于GPU顯存限制多尺度無法實現】，該實驗證明了深度神經網絡善于直接學習尺度不變形，對目標的scale不敏感。

為什么不沿用R-CNN中的形式繼續采用SVM進行分類？
為什么R-CNN中采用SVM分類而不直接用CNN網絡輸出端進行分類已經在R-CNN博客中說明，針對Fast R-CNN，文中分別進行實驗并對比了采用SVM和采用softmax的mAP結果，不管AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】中任意網絡，采用softmax的mAP都比采用SVM的mAP高0.1%~0.8%，這是由于softmax在分類過程中引入了類間競爭，分類效果更好；

Fast R-CNN去掉了SVM這一步，所有的特征都暫存在顯存中，就不需要額外的磁盤空間。

有監督預訓練

ILSVRC 20XX樣本只有類別標簽，有1000種物體；
文中采用AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】這三種網絡分別進行訓練測試，下面僅以VGG-16舉例。

特定樣本下的微調

PASCAL VOC數據集中既有物體類別標簽，也有物體位置標簽，有20種物體；
正樣本僅表示前景，負樣本僅表示背景；
回歸操作僅針對正樣本進行；
該階段訓練集擴充方式：50%概率水平翻轉；

微調前，需要對有監督預訓練后的模型進行3步轉化：
①RoI池化層取代有監督預訓練后的VGG-16網絡最后一層池化層；
②兩個并行層取代上述VGG-16網絡的最后一層全連接層和softmax層，并行層之一是新全連接層1+原softmax層1000個分類輸出修改為21個分類輸出【20種類+背景】，并行層之二是新全連接層2+候選區域窗口回歸層，如下圖所示；
③上述網絡由原來單輸入：一系列圖像修改為雙輸入：一系列圖像和這些圖像中的一系列候選區域；

SGD超參數選擇：
除了修改增加的層，原有的層參數已經通過預訓練方式初始化；
用于分類的全連接層以均值為0、標準差為0.01的高斯分布初始化，用于回歸的全連接層以均值為0、標準差為0.001的高斯分布初始化，偏置都初始化為0；
針對PASCAL VOC 2007和2012訓練集，前30k次迭代全局學習率為0.001，每層權重學習率為1倍，偏置學習率為2倍，后10k次迭代全局學習率更新為0.0001；
動量設置為0.9，權重衰減設置為0.0005。

Fast R-CNN如何采樣進行SGD訓練，和R-CNN、SPPnet中SGD采樣方式有什么區別和優勢？
R-CNN和SPPnet中采用RoI-centric sampling：從所有圖片的所有候選區域中均勻取樣，這樣每個SGD的mini-batch中包含了不同圖像的樣本，不同圖像之間不能共享卷積計算和內存，運算開銷大；
Fast R-CNN中采用image-centric sampling： mini-batch采用層次采樣，即先對圖像采樣【N個】，再在采樣到的圖像中對候選區域采樣【每個圖像中采樣R/N個，一個mini-batch共計R個候選區域樣本】，同一圖像的候選區域卷積共享計算和內存，降低了運算開銷；
image-centric sampling方式采樣的候選區域來自于同一圖像，相互之間存在相關性，可能會減慢訓練收斂的速度，但是作者在實際實驗中并沒有出現這樣的擔憂，反而使用N=2，R=128的RoI-centric sampling方式比R-CNN收斂更快。

這里解釋一下為什么SPPnet不能更新spatial pyramid pooling層前面的卷積層，而只能更新后面的全連接層？
博主沒有看過SPPnet的論文，有網友解釋說卷積特征是線下計算的，從而無法在微調階段反向傳播誤差；另一種解釋是，反向傳播需要計算每一個RoI感受野的卷積層梯度，通常所有RoI會覆蓋整個圖像，如果用RoI-centric sampling方式會由于計算too much整幅圖像梯度而變得又慢又耗內存。

訓練數據越多效果越好嗎？

文中分別在VOC 2007、VOC 2010、VOC 2012測試集上測試，發現訓練數據越多，效果確實更好。這里微調時采用100k次迭代，每40k次迭代學習率都縮小10倍。

哪些層參數需要被微調？
SPPnet論文中采用ZFnet【AlexNet的改進版】這樣的小網絡，其在微調階段僅對全連接層進行微調，就足以保證較高的精度，作者文中采用VGG-16【L for large】網路，若僅僅只對全連接層進行微調，mAP會從66.9%降低到61.4%， 所以文中也需要對RoI池化層之前的卷積層進行微調；

那么問題來了？向前微調多少層呢？所有的卷積層都需要微調嗎？
作者經過實驗發現僅需要對conv3_1及以后卷積層【即9-13號卷積層】進行微調，才使得mAP、訓練速度、訓練時GPU占用顯存三個量得以權衡；
作者說明所有AlexNet【S for small】、VGG_CNN_M_1024【M for medium】的實驗結果都是從conv2往后微調，所有VGG-16【L for large】的實驗結果都是從conv3_1往后微調。

Fast R-CNN如何進行多任務訓練？多任務訓練有效果嗎？
Fast R-CNN網絡分類損失和回歸損失如下圖所示【僅針對一個RoI即一類物體說明】，黃色框表示訓練數據，綠色框表示輸入目標：

-cls_score層用于分類，輸出K+1維數組p，表示屬于K類物體和背景的概率；
-bbox_predict層用于調整候選區域位置，輸出4*K維數組，也就是說對于每個類別都會訓練一個單獨的回歸器；
-loss_cls層評估分類代價，由真實分類u對應的概率決定：

-loss_bbox評估回歸損失代價，比較真實分類u對應的預測平移縮放參數tu=(tux,tuy,tuw，tuh)?和真實平移縮放參數v=(vx,vy,vw,vh)??的差距：

smooth L1損失函數曲線如下圖所示，相比于L2損失函數，其對離群點、異常值不敏感，可控制梯度的量級使訓練時不容易跑飛；

PASCAL VOC 2007訓練集上，使用VGG-16【L for large】網絡Fast R-CNN訓練時間為9.5h，同等條件下R-CNN需要84h，快8.8倍；

PASCAL VOC 2007測試集上，使用VGG-16【L for large】網絡不采用SVD Fast R-CNN測試時間為0.32s/image【不包括候選區域提取時間】，同等條件下R-CNN需要47.0s/image，快146倍；采用SVD測試時間為0.22s/image【不包括候選區域提取時間】，快213倍；

PASCAL VOC 2007測試集上，使用VGG-16【L for large】網絡不采用SVD Fast R-CNN mAP為66.9%，同等條件下R-CNN mAP為66.0%；Fast R-CNN采用SVD mAP為66.6%。

Fast R-CNN中采用selective search算法提取候選區域，而目標檢測大多數時間都消耗在這里【selective search算法候選區域提取需要2~3s，而提特征分類只需要0.32s】，這無法滿足實時應用需求，而且Fast R-CNN并沒有實現真正意義上的端到端訓練模式【候選區域是使用selective search算法先提取出來的】；

那有沒有可能使用CNN直接產生候選區域并對其分類呢？Faster R-CNN框架就是符合這樣需求的目標檢測框架，請看Faster R-CNN博客。