1.Introduction
1.1 RCNN 和SPPnet
RCNN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
四个优点：1.比RCNN和SPPnet更高的检测精度。2.训练过程是单阶段的，使用多任务损失函数。3.训练的时候可以更新所有的网络层。4.不需要用硬盘来存储特征缓存。
2.Fast RCNN的架构和训练
2个输入，一是一张完整的图片，二是划定的区域提案。经过ROI pooling和全连接层之后又有两个输出，一是softmax的分类结果（所有类别+背景类），二是边框回归值。
2.1ROI pooling层
使用最大池化将任意大小的感兴趣区域映射到一个固定大小H*W，H和W是提前设定好的超参数，每一个ROI使用一个长度为4的元组来描述它的位置，包括左上角坐标和长宽。ROI pooling是SPPnet的一个变种。过滤器的窗口大小和步长的计算和SPPnet里描述的一样。
2.2预训练网络的初始化
选用了3种预训练好的ImageNet，并对它们进行了三个改变来形成fast RCNN。1.将最后一个最大池化层替换成设定好适应全连接层的H和W的ROI池化。2.最后一层全连接层换成两个并行的结构，一是用于分类的全连接层，二是使目标定位变得准确的边框回归结构。3.可以接受两个输入，一是图片二是该图片的ROI。
2.3对检测的微调
Fast RCNN使用反向传播算法更新所有隐藏层的权重。SPPnet不能更新金字塔池化层后面的网络的权重的原因：根本原因是训练的时候样本来自不同的图片导致了SPP层的低效率，这是由它的训练过程导致的（RCNN也是这样）。这会导致每一个ROI都有一个很大的感受野，通常是跨越整张图片的，前传需要处理整个感受野，所以训练的时候的输入是巨大的。
RCNN和SPPnet是对R个来自不同图片的ROI进行随机梯度下降计算，而Fast RCNN是对来自N张图片，每张图片取N/R个ROI进行处理。这样的处理方法可能导致较低的训练融合速度，因为来自一张图片的ROI是有关联的，但是用N=2和R=128实验时得出了比较好的结果。
多任务损失函数
Fast RCNN有两个输出，一个是经过了softmax层的全连接层的输出，即每个ROI是这K+1种类别的概率p。第二个输出是对每一个概率的边框回归值。
u是GT框的种类，v是GT框的位置。
小批样本
每个SGD的mini batch来自于随机的两张图片（N=2），每张图片取64个ROI（N/R），像RCNN一样取25%个IOU超过0.5的ROI为正样本，它们的u>=1，再取等量IOU在0.1到0.5之间的ROI表示背景样本，u=0。
在ROI层之后的反向传播
超参数SCD
将分类模块和边框回归模块使用中心化高斯分布使他们的标准差为分别为0.01和0.001，偏移量为0.所有网络层的单层权重学习率为1，偏差学习率为2，全局学习率为0.001 。
2.4尺度不变性
用两种方法达到了再目标检测中的尺度不变性：1.使用brute force 。将图片预先处理成固定大小。2.使用图片金字塔。
因为GPU容量的限制多尺度训练只在小网络上。
3.将fast RCNN用于检测
4.主要结果
5.设计评估
5.1多任务训练带来的提升
从该对比试验可以看出多任务训练是可以带来mAP的提升的
5.2为了达到尺度不变应该用brute force还是finesse
BF算法是单尺度的，图片金字塔算法是多尺度的。试验中单尺度限制边长为600，多尺度选了5个尺度分别是{480,576,688,864,1200}。
结果表明多尺度的训练并没有比单尺度的训练提升很多mAP。通过这个试验为平衡网络的速度与精度所需要做出的取舍带来了灵感。
5.3是否需要很多的训练数据
Zhu Xiangxin 发现当mAP达到一定数值的时候就饱和了，再增多数据它也不怎么提升，作者做了个和Zhu相似的实验，发现用fast RCNN，当数据量提升之后带来的mAP的提升还是很可观的（66.1%→68.8% 和 65.7%→68.4%）。
5.4SVMs会比softmax表现更好吗
那当然是softmax好一点啦。
5.5区域提案越多越好吗
两种划分RP的方法，一种是稀疏的划分一种是紧密的。
并不是越多越好，多到一定程度反而使mAP下降。
有些部分还没读懂所以没写上去 等之后学明白了再补上去
