FAST-RCNN

RBG提出的RCNN方法通过region proposal（具体采用的是Selective Search Koen van de Sande: Segmentation as Selective Search for Object Recognition）技术，获取可能包含目标物体的若干图像局部区域（数量大约为10^3级别），随后将这些区域分别输入到CNN中，提取对应的特征信息。在特征基础上引入分类器，用以判断该区域属于某一特定类别的目标物体还是背景。此外，RBG还利用这些区域的特征信息进行boundingbox回归，以校正预测框的位置。在VOC2007数据集上，RCNN的mAP值约为58%。

RCNN存在的主要问题包括：首先，单张图像中存在大量重叠的候选框，在将其送入神经网络进行特征提取时会出现冗余现象；其次，训练过程中对空间资源的需求较高。由于RCNN中的分类器与回归器是独立设置的，并且需要大量的特征作为训练依据，因此整体计算开销较大。

FAST-RCNN的主要步骤如下：
1、运用SS算法，在图像上生成约2k个候选区域；
2、将整张图像输入CNN模型中，提取出全局特征；
3、通过ROIPooling操作，在整张图像的全局特征图上截取对应候选区域的特征（不同尺寸的候选区经过处理后具有统一大小）；
4、基于所截取到的特征信息，对每个候选区域实施分类任务，并进一步