论文链接

• fast R-CNN: https://arxiv.org/pdf/1504.08083.pdf

p.s. 鉴于斯坦福大学公开课里面模糊的 R-CNN 描述，这边决定精读对应的论文并把心得和摘要记录于此。

前言

在机器视觉领域的物体识别分支中，有两个主要的两大难题需要解决：

1. 目标图片里面含了几种“物体”，几个“物体”？
2. 该些物体分别坐落于图片的哪个位置？

而 R-CNN 的发明就是用来解决第二个问题的工具，第一个问题不属于这里的讨论范围，故略过。R-CNN 如果去除时间和计算能力的因素不看，是一个挺好的物体位置定位方法，可以根据那些被估测出可能包含目标物体的画面，精确标定像素格边框的位置，但是现实上最初阶的 R-CNN 方法占用了大把的时间和计算资源，是无法在视频中实时检测物体位置的，原因如下：

• Multi-stage pipeline（多个互相独立的通道）
  ... more ...
  
• Slow training and detecting time
  ... more ...
  

而新的方法肯定必须围绕着上面几个问题去做修正，并且使用改进过的方法后，已经可以初步的应用在实时视频检测的场景中。至于改进的方法在 fast R-CNN 确立之前还有一个过度的方法：SPPnets（Spatial Pyramid Pooling networks）。

SPPnets