http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/
首先看fast r-cnn这篇论文，中间加入了有些博友的想法。
问题
目标检测主要面临两个问题：过多的候选位置（proposals）；必须由这些粗略的候选位置中选出准确的位置。
这篇论文将学习目标proposals分类和精确定位结合起来。
1、 R-CNN和SPPnet存在的问题
（1）R-CNN的问题
训练需要多阶段：先用ConvNet进行微调，再用SVM进行分类，最后通过regression对 bounding box进行微调。在R-CNN中，
20类即20个SVM分类器训练，20个bounding box回归器训练（测试同），非常繁琐；
训练代价大：在SVM和regression过程中，一张图需要2k个proposals（有大量重叠），提取每个proposals的特征
（重叠）并写入磁盘，耗时耗空间；
R-CNN需要先对proposals进行形变操作（227*227），再输入CNN提取特征，而AlexNet CNN在特征提取过程中并不
固定图像的大小，只是在全连接时才需要固定尺寸，然后使用SVM分类。
（2）SPPnet
R-CNN慢是因为其需要对每个proposals进行前向计算而没有共享，SPPnets通过共享来加速r-cnn，SPPnet先计算
整张图像的卷积特征图，然后通过提取特征图中特征向量对proposals进行分类。使用max pooling将特征映射为固定大
小。不同于R-CNN，微调算法不能更新spatial pyramid pooling前面的卷积层，只能更新后面的全连接层，这限制了其精度。
2、论文工作
（1）通过使用多任务损失，使训练成为单阶段的。
（2）训练可在所有层中更新
（3）不需要在磁盘中存储特征
3、如何做到呢
（1）fast r-cnn架构和训练
输入为整张图像和一系列的object proposals（大小不同）。网络首先用几层卷积和max pooling处理
整张图像，生成特征图；对于每个object proposal，使用RoI pooling从特征图中提取固定大小的特
征向量；将特征向量送入全连接层（fc layer），进而分出两支：一支输出K类物体的softmax 概率+背景，
另一支输出K个类别的四个值（每个类别框的位置和大小）。那么什么是RoI pooling？
（2）RoI Pooling
RoI pooling层使用 max pooling将不同大小的特征转为固定大小的小特征（W*H）。那么它是如何做到的呢？
对于一个h*w的区域，将其划分为H * W大小的格子，每个格子中有h/H * w/W个格子，对这些格子做 max pooling
就行了。
（3）预训练前网络的初始化
当用fast r-cnn初始化预训练网络时，它需要经历三种变换：
首先用RoI pooling层替代最后一个max pooling层，在送入全连接层前将其变为H*W；
其次，将最后一个全连接层和softmax替换为两个分支层（参考前文）；
这个模型需要两个输入，一个为一系列图像，另一个为这些图像的一系列RoI（region of intrest）。
(4) 检测时的微调
首先阐述为啥SPPnet不能在spatial pyramid pooling layer下更新权重：这是因为在训练网络时，每个训练样本（RoI)来自
于不同的图像，而bp算法通过SPP layer是远远不够的（？）。这种不够是因为，每个RoI可能拥有非常大的感受野，经常跨越
整副输入图像。因为前向传输时必须处理整个感受野，训练输入时会很大（通常为整副图像）。
本文在训练时通过特征共享来提高效率。在训练时，SGD分层次采样，首先采样N张图像，然后在每张图像上采样R/N个RoI。
来自于同一张图像的RoIs共享计算和内存，这就将计算量降低了N倍。比如当N=2，R=128时，这种方法大约比在128张图像上提
取一个RoI（R-CNN和SPPnet的方法）快64倍。
除了分层采样，本文还采用流水线训练过程：使用一个微调阶段，将softmax分类器和bounding-box regressors联合优化，而不是
将训练softmax,SVM和regressors分成三个阶段。那个这个过程中的各个组成（包括loss,mini-batch采样策略，通过RoI pooling层的bp算法和
SGD参数）是怎么样的呢？
Multi-task loss
该模型包括两个分支输出层，第一个输出每个RoI离散的概率值
（由softmax得出），有K+1类；
第二个分支输出bounding box的offsets，
，其中tk表示尺度不变的转换相对object proposal的log-space的高度/宽度转换。
每个RoI的标签为类别u，每个bounding box的regression target记为v，本文对每个RoI使用一个multi-task loss来联合训练分类器
和bounding box regression：
其中
，第二个损失函数（回归操作只针对前景）被定义为对于类别u的bounding box 的regression元组（？）。
其中v=
，预测元组
。对于bounding box loss：
Mini-batch sampling
在微调阶段，每个SGD mini-batch从N=2张图像中构造，均匀随机选择（常见的做法是遍历数据集的排列）。我们使用的
mini-batch的大小为R=128，每张图中采样64个RoI。我们从object proposals中取25%RoIs（正样本比例为25%），
这些object proposals与bounding box至少有0.5的交集。这些RoI包含前景，剩余的RoI也从object proposals中采样（负样本75%），
它们的IoU在0.1至0.5之间，这样是背景。
Back-propagation through RoI pooling layers
经过RoI pooling层的BP算法如何求导呢？
设xi表示RoI pooling层的第i个激活输入，yrj表示该层的第r个RoI的第j个输出，则该层的反向求导为
即反向传播中，L对输入层节点x的梯度为损失函数L对各个有可能的候选区域r输出梯度的累加。
SGD hyper-parameters
全连接层使用softmax分类和bounding box regression，初始化用的是0均值的高斯分布，标准偏差为
0.01和0.001，bias为0。
进行SGD训练时，R-CNN和SPPnet采用RoI-centric sampling，即从所有图片的所有候选区域中均匀取样，这样
每个SGD的mini-batch中包含了不同图像的样本不同图像之间不能共享卷积计算和内存，运算开销大；Fast R-CNN中
采用image-centric sampling：mini-batch采用层次采样，即先对图像采样（N个），再在采样到的图像中对候选区域采样
【每个图像中采样R/N个，一个mini-batch共计R个候选区域样本】，同一图像的候选区域卷积共享计算和内存，降低了运算开销。
Scale invariance
本文采用两种方式来达到尺度不变的目标检测：单一尺度和图像金字塔。
在单一尺度中，不管是训练还是测试，每张图像用固定大小的尺度来处理图像，希望网络从训练数据中直
接学习到尺度不变的特征表达；相比之下，多尺度方法通过图像金字塔提供了一个近似尺度不变给网络。在测试
阶段，图像金字塔为每个object proposal提供近似尺度归一化。在多尺度训练中，当一副图像被采样时，
我们随机采样金字塔尺度。最后的实验表明，多尺度的效果一般。
Fast R-CNN detection
网络输入一张图像和R个object proposals，在测试阶段，R=2000。对于每个测试的RoI r，前向传递输出
一个类别的后验概率分布p，以及一系列的预测bounding box offsets（相对r）。使用估计概率为每个类别k，对
于r，赋于一个检测置信值，并以每个类别使用非极大值抑制。
Truncated SVD for faster detection
对于整个图像分类来说，花在全连接层的时间要比卷积层的时间要少。相反，检测时RoI的数量很大，花费在全连接
层上的时间几乎是前向传播的一半。通过truncated SVD可以很容易加速大的全连接层。
对于u*v个权重的矩阵W，它可以近似分解为：
其中U为u*t，中间为t*t的对角阵，V为v*t的矩阵。SVD将参数由u*v减少为（u+v）*t，为了压缩网络，这个全连接
层变为两个全连接层。
SVM VS softmax
实验表明，采用softmax的效果比SVM的mAP要高。这是因为在softmax在引入了类间竞争，分类效果更好；同时
所有的特征只需存于显存中，不需要额外的磁盘空间。
仍存在的问题
Fast R-CNN中采用selective search算法提取候选区域，而目标检测大多数时间都消耗在这里，而且Fast R-CNN并没有
实现真正意义上的端到端训练模式。
那有没有可能使用CNN直接产生候选区域并对其分类呢？Faster R-CNN框架就是符合这样需求的目标检测框架，请看Faster R-CNN博客。
参考：http://blog.csdn.net/WoPawn/article/details/52463853