Fast RCNN算法
在RCNN之后的SPPNet虽然解决了重复卷积以及固定输入尺寸的问题，但是依然存在其他的问题，而Fast RCNN则具有更快、更强的性能，不仅训练的步骤可以是西安端到端，而且Backbone也是基于VGG16来及进行设计的，在训练速度上比RCNN快了将近9倍，在前向推理的速度上快了213倍，并在VOC2012数据集上达到了68.4%的检测率。
相比于RCNN主要有以下3点改进：
1、共享卷积
将整幅图送入到卷积神经网络中进行特征提取，然后使用Selective Search算法在特征图上进行区域的输出，大大的减少了卷积的计算时间；
2、RoI Pooling层
利用特征池化(RoI Pooling)方法进行特征尺度变换，这种方法可以使用任意大小的图像输入，使得训练更加的灵活、准确；
3、多任务训练
将分类任务与边界框回归任务都放进网络进行训练，并且为了避免SVM分类器所带来的单独训练与速度慢的缺点，Fast RCNN使用了SoftMax函数进行了分类。
算法具体步骤：
1、首先，图像经过选择性搜索（Selective Search 简称SS）算法提取出约2000个候选区域框，这2000个候选区域框基本上包括了图像中可能出现的目标物体。
2、将图像输入已经训练好的CNN网络中，直到最后一层卷积层，在基于原始输入图像中找到约2000个候选框的位置，然后映射到RoI Pooling层。
3、将每一个映射后的RoI划分为固定大小的网格，并且对每个小网格的所有值取得最大值（即Max Pooling操作），得到固定大小的特征图。
4、将RoI Pooling层得到的特征图作为后续FC层的输入，最后一层输出n个分类信息和4个Bounding Box修正偏移量。将Bounding Box按照位置偏移量进行修正，再根据NMS算法对所有的Bounding Box进行筛选，即可得到对该图像的最终Bounding Box预测值和每个Bounding Box对应的分类概率。
RoI Pooling层
假设卷积得到的特征图如下图所示：
先进行格子的划分，由于每个小格子的尺度不同，因此作者设计为每个小格子里去区域的最大值为感兴趣区域，如上图8*8的特征图中的黑色框内的四个小格，虽然不同，但是最终的结果是统一的，上图黑色框内的RoI Pooling结果：
多任务损失函数
其中，为目标分类u的对数损失，为每一个RoI在K+1个分类中的离散概率分布
1、分类损失
计算K+1个类的分类损失函数（K个目标类别，1个背景类别）：
2、回归损失
为目标分类u的边界回归函数：
式中，，目标分类u的边界预测值为。
这里的L1 Loss作者在论文中也进行了分析，L1 Loss比L2 Loss更具抗噪性，对数值波动不敏感，能够更好的找到目标分类的边界值。
优缺点
优点：
1、更高的检测精度；
2、基于多任务损失函数使得训练更加灵活简单；
3、采用了ROI Pooling层，方便实现卷积模型的端到端的训练。
缺点：
候选框获取依然使用的是SS算法，该方法占时间比较大，没有真正意义上的实现端到端，同时无法满足实时性的要求。
