a2235854410的博客

引言当前最先进的目标检测模型是由区域提案方法和基于区域的卷积神经网络引领的，由于共享计算，卷积网络花费的时间已经大大减小了，所以当前检测系统的瓶颈就是如何减小区域提案生成部分的花费时间。当前流行的区域提案方法之一SS就挺慢的，EdgeBoxes在提案生成的时候也很慢。作者观察到用来生成特征图的基于区域的检测器（如fast RCNN）同样可以用于生成区域提案，于是作者提出使用一个深度卷积神经网络来计算提案，计算速度快到可以忽略，作者将这个用来计算提案的卷积网络叫做RPNs。它可以和后面的网络共享卷积层，

1.Introduction1.1 RCNN 和SPPnetRCNN有几个显著的问题：1.训练的时候是多阶段的训练，分别分三个阶段训练卷积层、SVM、边框回归矩阵。2.训练很耗时。3.目标定位非常慢。它慢主要是因为它没有共享计算，而SPPnet通过共享计算比RCNN快了很多，SPPnet对整张图片做一次卷积提取特征，对比RCNN对每个区域提案单独卷积就快了很多。但是SPPnet也有不足的地方，它和RCNN一样是多阶段训练，并且它的微调无法更新前面的网络。1.2 fast RCNN的贡献四个.