论文：https://arxiv.org/abs/1504.08083
github：https://github.com/rbgirshick/fast-rcnn
参考文档：https://blog.csdn.net/qq_45848817/article/details/127965649
快速区域的卷积网络方法（快速 R-CNN）用于对象检测
R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的
FaskRCNN就是改进了这两个问题
FastR-CNN主要有两点改进：ROIPool和多任务网络
Rol：regions of interest感兴趣的地区
FCs：fully connected layers,全连接层
框架介绍：同样使用SS(Selective Search)算法，不同于RCNN直接将图像分割成小矩形区域，Fast-RCNN先确定候选框位置，然后将整张图像送入卷积网络，一次性计算整张图像特征，获得Conv feature map，然后每一个RoI被池化成一个固定大小的feature map，feature map被两个全连接层拉伸成一个特征向量ROI。对于每一个RoI，经过FC层后得到的feature vector最终被分享：一个进行全连接之后用来做softmax回归，用来对RoI区域做物体识别，另一个经过全连接之后用来做b-box regression做修正定位，使得定位框更加精准。
ROIPool：池化
通过对提取特征进行过滤，就是矩阵在缩小，将几个神经元的输出变为一个输出
有最大池化和平均池化
多任务网络：
不同与RCNN的SVM，将分类与回归网络放到一起训练，并且为了避免SVM分类器带来的单独训练与速度慢的缺点，使用了softmax函数进行分类
