《Fast R-CNN》翻译

F a s t   R − C N N Fast\ _{}R-CNN Fast ​R−CNN

R o s s   G i r s h i c k Ross\ _{}Girshick Ross ​Girshick

  摘要：本文提出了一种基于快速区域的卷积网络方法（Fast R-CNN）进行目标检测。Fast R-CNN以先前的工作为基础，使用深度卷积网络对object proposals进行有效分类。与以前的工作相比，Fast R-CNN采用了多项创新，可以提高训练和测试速度，同时还可以提高检测精度。Fast R-CNN训练非常深的VGG16网络的速度比R-CNN快9倍，在测试时快213倍，并且在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16的速度快了3倍，测试速度提高了10倍，并且更加准确。Fast R-CNN是使用Python和C ++（使用Caffe）实现的。

图1 Fast R-CNN架构。输入图像和多个感兴趣区域（RoI）被完全地输入到卷积网络中。每个RoI被合并到一个固定大小的特征映射中，然后通过全连接层（FC）映射到特征向量。该网络每个RoI有两个输出向量：softmax概率和每个类边界框回归偏移。该架构经过端到端的多任务训练。