一、《Fast R-CNN》
1.1、基本信息
作者：Ross Girshick
机构：Microsoft Research
发表时间：2015年
论文链接：arXiv:1504.08083
代码开源：GitHub仓库（MIT License）
1.2、主要内容
Fast R-CNN是一种高效的基于区域提议的卷积神经网络（R-CNN）改进方法，主要解决了R-CNN和SPPnet在训练和检测速度上的瓶颈问题，同时提升了检测精度。核心创新点包括：
单阶段训练：通过多任务损失函数（分类+边界框回归）实现端到端训练，取代了R-CNN的多阶段流程（如SVM分类器、特征缓存等）。
RoI池化层：将不同大小的候选区域（RoI）统一为固定尺寸的特征图，共享卷积计算，显著加速训练和测试。
全网络微调：支持更新所有网络层（包括卷积层），而SPPnet无法更新卷积层。
性能提升：
训练速度：VGG16比R-CNN快9倍，比SPPnet快3倍。
测试速度：比R-CNN快213倍（使用截断SVD加速全连接层）。
检测精度：在PASCAL VOC 2012上mAP达到66%（R-CNN为62%）。
1.3、影响和作用
技术贡献：
推动了目标检测从多阶段流水线向端到端训练的演进，为后续Faster R-CNN（引入区域提议网络RPN）奠定了基础。
提出的RoI池化层成为后续检测模型（如Mask R-CNN）的标准组件。
实际应用：
高效的训练和检测速度使其更适合实际部署，尤其在需要处理大量候选框的场景。
开源实现促进了目标检测研究的快速发展。
后续影响：
启发了更快的模型（如Faster R-CNN、YOLO、SSD）和更复杂的任务（如实例分割）。
证明了深度卷积网络直接学习尺度不变性的能力，减少了对多尺度图像金字塔的依赖。
二、实现过程
1. 候选区域生成：使用选择性搜索或其他方法生成约2000个候选区域 （使用Selective Search方法）。
2. 获得特征矩阵：将原始的整幅图像输入网络得到相应的特征图，将SS 算法生成的候选框映射到特征图上获得相应的特征矩阵。
3. 预测：将每个特征矩阵通过 RoI（Region of Interest）池化层缩放到 7x7大小的特征图，Fast R-CNN通过全连接层对每个RoI进行分类和边 界框回归。分类任务用于确定RoI中是否包含感兴趣的对象类别，而回 归任务则用于精确定位物体的边界框 （ Fast R-CNN通过整合所有组件 （特征提取、RoI池化、分类、回归）为一个网络模型，实现了端到端 的训练，简化了整体流程。 ）。
2.1、获得特征矩阵
在R-CNN中，需要对2000个候选区域都进行CNN，即进行2000次CNN计 算，在Fast R-CNN中，将整张图送入到CNN（使用的VGGNet-16）网络， 然后从特征图上提取相应的候选区域。
2.2、RoI池化层
将49个区域每一个区域都进行池化操作：
最大池化通常用于提取每个子区域中最显著的特征值，以保留最重要的 信息（使用的这个）。
平均池化则计算每个子区域中特征的平均值，用于保留更全局的信息。
就得到一个7 x 7 x channels的张量。
2.3、预测-分类器
Softmax之前的FC层输出节点有N+1个节点，经过Softmax之后，得到概 率结果，例如Pascal VOC就是20类+1个背景。
顺序是背景、第一类、...、第二十类。
2.4、预测-回归器
与RCNN的回归器是一样的，只是回归参数是由FC网络训练得到，即20*4 的矩阵。
2.5、损失函数
Fast R-CNN的损失函数是同时用于分类和边界框回归的联合损失函数。其 定义为：
Fast R-CNN的损失函数同时考虑了分类任务和回归任务：
1. 分类损失：通过交叉熵损失函数来度量模型预测的类别与真实类别之间 的差异。这个损失引导模型进行正确的分类。
2. 回归损失：通过平滑L1损失函数来度量模型预测的边界框与真实边界 框之间的差异。这个损失引导模型进行边界框的精确回归调整。
通过联合这两部分损失，Fast R-CNN可以同时优化目标检测中的分类和定 位任务，使得模型能够更准确地识别目标类别并精确定位目标边界。超参数 用于调节分类损失和回归损失的相对重要性，通常通过实验设置一个 合适的值。
三、 边框回归流程
四、 回归损失
训练样本偏移v的构造
x/y为什么要加缩放因子？
