本文主要是介绍Fast R-CNN 与 R-CNN的不同之处，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
目录
一、Fast R-CNN如何生成候选框特征矩阵
二、 关于正负样本的解释
三、训练样本的候选框
四、Fast R-CNN网络架构
4.1 分类器
4.2 边界框回归器
一、Fast R-CNN如何生成候选框特征矩阵
在R-CNN中，通过SS算法得到2000个候选框，则需要进行2000次正向传播 得到2000个特征 —— 很冗余 ——很多重叠部分计算计算一次就可以。
在Fast R-CNN中，直接将整张图片送入CNN得到这张图片的特征图，再根 据候选框与原图的关系映射到特征图上，就不需要重复运算了。——大幅度提 升Fast R-CNN的运算速度
二、 关于正负样本的解释
在Fast R-CNN网络训练过程中，并不会使用SS算法提供的所有候选框（SS 算法生成大约2000个候选框），只需使用一小部分的数据即可。对于采样数 据，它分为“正样本”和“负样本”。
正样本：候选框中确实存在所需检测目标（前景）的样本
负样本：候选框中没有所需检测目标（背景）的样本
为什么要将样本分为正样本和负样本呢？
假如我们要训练一个猫狗分类器，如果猫的样本数量远大于狗的样本数量 （数据不平衡），网络在预测时会更偏向于“猫”，很明显这样是不对的。如果数 据中全是“猫”的样本， 没有“狗”的样本，那么网络预测几乎一定会出现问题。
同理，在训练Fast R-CNN时，如果数据中全部都是正样本，那么网络就会 很大概率认为候选区域是所需要检测的目标（可能这个框明明框住的是背景， 但网络仍会认为这个被框住的背景是有用的，是一个前景），这时网络肯定会 出问题。所以数据要分为正样本和负样本。
在原论文中，对于每一张图片，从2000个候选框中采集64个候选框。这64 个候选框，一部分框的是正样本，一部分框的是负样本。那么正样本是如何定 义的呢？
只要候选框与真实框（GT）的IoU大于0.5，则认定为正样本，反之认定为 负样本。
三、训练样本的候选框
原理：
左边图其实是一个经过特征提取的特征图，本身可视化出来也是很抽象 的，这里只是为了方便理解，使用了RGB图像。
具体实现为：将特征图划分为 7×7 个小块，对其每一小块执行MaxPooling
这样处理对输入特征图的尺寸没有要求了，无论怎样都可以缩放到7×7 -> 在R-CNN中，输入图像被限定为227×227，而在Fast R-CNN中，输入图像尺寸 不再被限制。
这里忽略了Channel维度，和最大池化一样，有几个通道就做几次，最后 concat就可以了。
四、Fast R-CNN网络架构
4.1 分类器
4.2 边界框回归器
d x , d y ：用 来 调 整 候 选 框 中 心 坐 标 的 回 归 参 数
d w , d h ：用 来 调 整 候 选 框 宽 度 和 高 度 的 回 归 参 数
这篇关于Fast R-CNN 与 R-CNN的不同之处的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
