??Fast R-CNN算法是作者Ross Girshick對R-CNN算法的一種改進。R-CNN雖然取得了不錯的成績，但是其缺點也很明顯。Fast R-CNN同樣使用VGG-16網絡結構，與R-CNN相比訓練時間快9倍，測試時間快213倍，準確率從62%提升至66%(再Pascal voc數據集上)。Fast R-CNN主要是解決R-CNN存在的問題：

• 測試訓練速度慢，主要是提取候選區域的特征慢：R-CNN首先從測試圖中提取2000個候選區域，然后將這2000個候選區域分別輸入到預訓練好的CNN中提取特征。由于候選區域有大量的重疊，這種提取特征的方法，就會重復的計算重疊區域的特征。在Fast-RCNN中，將整張圖輸入到CNN中提取特征，在鄰接時再映射到每一個候選區域，這樣只需要在末尾的少數層單獨的處理每個候選框。
• 訓練需要額外的空間保存提取到的特征信息：R-CNN中需要將提取到的特征保存下來，用于為每個類訓練單獨的SVM分類器和邊框回歸器。在Fast R-CNN中，將類別判斷和邊框回歸統一的使用CNN實現，不需要再額外的存儲特征。

??Fast R-CNN算法步驟：

輸入一張圖像生成1K~2K個候選區域(使用Selective Search方法)；

將圖像輸入網絡得到相應的特征圖，將Selective Search算法生成的候選框投影到特征圖上獲得相應的特征矩陣；

將每個特征矩陣通過ROI pooling層縮放為7x7大小的特征圖，接著將特征圖展平通過一系列全連接層得到預測結果。

關于Fast R-CNN的幾個點：

一次性計算整張圖像特征：R-CNN依次將候選框區域輸入卷積神經網絡得到特征；Fast R-CNN將整張圖像輸入網絡，緊接著從特征圖像上提取相應的候選區域，這些候選區域的特征不需要再重復計算。

ROI 池化層

分類器和邊界框回歸器

Multi-task loss：$L(p,u,t^u,v)=L_{cls}(p,u)+\lambda [u?1]L_{loc}(t^u,v)$

Fast R-CNN是對R-CNN的一種改進：

卷積不再是對每個候選區域進行，而是直接對整張圖像進行，這樣減少了很多重復計算；

用ROI pooling進行特征的尺寸變換，因為全連接層的輸入要求尺寸大小一樣，因此不能直接把候選區域作為輸入；

將回歸器放進網絡一起訓練，每個類別對應一個回歸器，同時用softmax的全連接層代替原來的SVM分類器。

Fast R-CNN存在的問題：

依舊使用Selective Search算法提取候選區域，耗時較長；

無法滿足實時應用，沒有真正實現end-to-end訓練測試；

利用了GPU，但是候選區域方法是在CPU上實現的。

總結

以上是生活随笔為你收集整理的Fast R-CNN算法的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。