3.Fast RCNN模型

相比于R-CNN，Fast RCNN模型主要在以下三個方面進行了改進：

1. 提高訓練和預測速度
   R-CNN首先從測試圖中提取2000個候選區域，然后將這2000個候選區域分別輸入到預訓練好的CNN中提取特征。由于候選區域有大量的重疊，這種提取特征的方法，就會重復的計算重疊區域的特征。在Fast-RCNN中，將整張圖輸入到CNN中提取特征，將候選區域映射到特征圖上，這樣就避免了對圖像區域進行重復處理，提高效率減少時間。
2. 不需要額外的空間保存CNN網絡提取的特征向量
   RCNN中需要將提取到的特征保存下來，用于為每個類訓練單獨的SVM分類器和邊框回歸器。在Fast-RCNN中，將類別判斷和邊框回歸統一使用CNN實現，不需要額外的空間存儲特征。
3. 不再直接對候選區域進行縮放
   RCNN中需要將候選區域進行縮放送入CNN中進行特征提取，在Fast-RCNN中使用ROIpooling的方法進行尺寸的調整。