fast-rcnn主要有如下改变：
1.引入ROI-pooling层
2.并行进行classification和bonnd box regression
下面详细介绍
1.引入ROI-pooling层
R-CNN 在网络前半部分提取特征时，对每个候选区域都进行了特征提取，导致大量重复计算，速度极低。
在fast-rcnn中提出roi-pooling层，有效解决这一问题。
roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。
注意：特征提取网络的参数训练过程类似于RCNN网络中的过程，即将网络尾端加上1000类的分类层，用image-net数据集训练，然后冻结网络前半部分参数作为特征提取网络的参数。
2.并行进行classification和bonnd box regression
特征提取网络得到的feature-map送入两个并行的网络进行classification和bonnd box regression。
cls_score层用于分类，输出K+1维数组p，表示属于K类和背景的概率。
bbox_prdict层用于调整候选区域位置，输出4*K维数组t，表示分别属于K类时，应该平移缩放的参数。