标题很酷炫，虽然说出来这句话有些虚~emmmmmmmm…【言归正传】SPPnet出来之后，RBG大神迅速回怼，抛出了更快更好的Fast-RCNN。新的思路是， 将之前的多阶段训练合并成了单阶段训练，面对灵活尺寸问题，大神借鉴了空间金字塔的思路，使用了一层的空间金字塔。

0. 摘要

本文提出了一个快速的基于区域推荐的卷积网络方法（Fast R-CNN）用于对象检测。Fast R-CNN在前人工作的基础上使用深度卷积网络，可以更有效地分类物体推荐。相比之前的工作，Fast R-CNN进行了多项创新，在提高了检测精度的同时，也提高了训练和测试速度。Fast R-CNN训练了一个超深VGG16网络，训练时间比R-CNN快9倍，测试时间快213倍，在PASCAL VOC2012上达到了更高的mAP。相比SPPnet，Fast R-CNN训练快3倍，测试快10倍，并且更加准确。

1. 介绍

近来，深度卷积网络在图像分类和物体检测精度上进展显著。相比物体分类，物体定位更具挑战，需要更加复杂的方法。由于其复杂性，当前的方法都是多阶段流水线模型训练，缓慢而粗放。复杂度源于检测需要物体的精准位置信息，带来了两个基本挑战。【提出了检测问题的两个基本挑战】
一、大量候选位置需要处理（“推荐”proposals）。
二、候选框的位置比较粗糙，必须进一步细化才能精准定位。对这些问题的解决包括速度、精度或简易性。
本文将梳理现代卷积网络物体检测器的训练流程[9][11]。提出一个单阶段训练算法，既能学习“对推荐框进行分类”，也能“精细空间位置”。【引入新的方法】
最终得到的方法可以训练一个深度检测网络（VGG16[20]），比R-CNN快9倍，比SPPnet快3倍。运行时，该检测网络每0.3s处理一张图片（不包括物体推荐的时间），而且在PASCAL VOC2012上的准确度达到新的高度，mAP66%（而R-CNN为62%）。【引入新的方法】

1.1 R-CNN和SPPnet

【很客观的比较了两种已有方法的优缺点】
基于区域的深度卷积网络RCNN[9]通过使用“深度卷积网络“来分类，在物体proposal上达到了出色的物体检测成绩。但其缺点十分明显：

1. 需要多阶段流水线训练。 R-CNN需要先使用log损失在物体的proposal上调优卷积网络，然后，还要让SVMs去适应卷机网络的特征。这些SVMs取代了通过调优学到的softmax分类器，成为物体检测器。在第三阶段，还要进行约束框回归。
2. 训练费时费空间。 对于SVM和约束框回归的训练，特征是从每张图片的每个物体proposal中抽取出来再写到硬盘的。对于非常深的网络，比如VGG16，对VOC07训练验证集这个过程需要消耗2.5GPU天。这些特征需要数百G的存储空间。
3. 物体检测非常慢。 测试阶段，每张测试图像的每个物体proposal都要进行特征抽取。VGG16检测每张图像需要在GPU上耗费47s。

R-CNN如此之慢，就是因为在每个proposal上都是用卷积网络，没有共享计算。空间金字塔池化网络（SPPnets）则通过共享计算加速了R-CNN。SPPnet方法对整张输入图像只计算一次卷积特征图，然后对每个对象proposal，使用从共享特征图中抽取出来的特征向量，进行分类。对于每一个推荐，通过最大池化推荐框内的部分特征图，到一个固定尺寸（比如6×6）的输出，来抽取特征。多个输出尺寸被池化，然后再使用空间金字塔池化进行连接。SPPnet在测试阶段加速了R-CNN大概10到100倍。训练时间也缩减了3倍，因为特征的抽取快了很多。
SPPnet也有明显的缺点。像R-CNN一样，它也训练一个多阶段流水线涉及到特征抽取、使用log loss调优网络，训练SVMs，最后再进行约束框回归。特征还要写到硬盘。但不同于R-CNN的是，调优算法没法更新空间金字塔池化层前面的卷积层。不出所料，这个限制（固定的卷积层）限制了非常深的网络的精度。

1.2 贡献

我们提出一个全新的训练算法，可以解决R-CNN和SPPnet的这些缺点，还能提高速度和精度。因为其在训练和测试阶段都明显地快，所以我们称之为Fast R-CNN。Fast R-CNN方法有多个优点：

1. 更高的检测精度（mAP）
2. 使用多任务loss进行单阶段训练
3. 训练可以更新所有层
4. 不需要硬盘存储特征缓存
   Fast R-CNN用Python和C++（Caffe[13]）写成，以开源MIT协议开放在 https://github.com/rbgirshick/fast-rcnn。

2. Fast R-CNN架构和训练

下图展示了Fast R-CNN的架构。一个Fast R-CNN网络将整张图片和一组对象proposal作为输入。网络首先使用卷积网络和最大池化处理整张图像产生卷积特征图。然后对每个对象proposal，一个RoI（Region of Interest）池化层从特征图中抽取出一个固定尺寸的特征向量。每个特征向量传递给后续一系列的全连接层（fc），这些全连接层，最终分裂成两个并行的输出层，一个用于产生K+1（1代表背景）类的softmax概率，一个针对每个对象类别输出四个实数值，每组实数值编码了对应类别的约束框bbx的位置。

【训练细节】
• 输入是224×224的固定大小图片；
• 经过5个卷积层+2个降采样层（分别跟在第一和第二个卷积层后面）；
• 进入ROIPooling层（其输入是conv5层的输出和region proposal，region proposal个数大约为2000个）；
• 再经过两个output都为4096维的全连接层；
• 分别经过output各为21和84维的全连接层（并列的，前者是分类输出，后者是回归输出）；
• 最后接上两个损失层（分类是softmax，回归是smoothL1）；

【进一步提升速度和无法优化网络的问题】大神提出了端到端训练的Fast R-CNN网络 。该网络用ROI（Region Of Interest）池化，可以看作空间金字塔池化的简化版本，即使用了一种池化尺度。此外，该网络将候选框回归任务也通过CNN实现，在卷积层后面的全连接层分为两支，一支用于识别目标类别，一支用于预测回归框所在位置及长宽。值得注意的是，为了实现端到端的训练，Fast R-CNN放弃了SVM分类器，而是选择微调后网络自身的softmax分类器。这样一来，特征提取，目标分类、候选框回归三部分可以同时进行端到端（end-to-end）训练。 (基于VGG16的Fast RCNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右)

2.1 ROI Pooling

由于region proposal的尺度各不相同，而期望提取出来的特征向量维度相同，因此需要某种特殊的技术来做保证。ROIPooling的提出便是为了解决这一问题的。
Roi pooling层也是pooling层的一种，只是针对于ROI们的pooling操作而已
Roi pooling层的过程就是为了将proposal抠出来的过程，然后resize到统一的大小。
Roi pooling层的操作如下：
• 1、根据输入的image，将Roi映射到feature map对应的位置；
• 2、将映射后的区域划分为相同大小的sections（H×W大小的网格sections数量和输出的维度相同）；
• 3、对每个section进行max pooling操作；即每一个网格对应一个输出值）
• 4、将所有输出值组合起来便形成固定大小的feature map
【经后面研究，ROIpooling对非常深的网络很重要，也是增加了更深的可能性】
放上一张大佬的博客截图解释ROI来镇楼（如果侵权请联系小编就删）：

2.2 训练样本

【从预训练网络中初始化】
我们实验了三个预训练ImageNet[4]网络，每个都有5个最大池化层，5-13个卷积层（见4.1节）。当用一个预训练的网络初始化一个Fast R-CNN网络需要经历三个转换。
一、最后的最大池化层要替换成RoI池化层，配置的参数H和W要与网络的第一个全连接层相适应（eg,对于VGG16来说，就是H=W=7）。
二、网络的最后一个卷积层和softmax（1000路ImageNet分类）层要替换成两个并行的层。一个是全连接层并输出K+1路的softmax，一个是类别相关的约束框回归器。
三、网络修改为接受两个数据输入：一组图像和一组这些图像的RoI。
【训练过程】
训练过程中每个mini-batch包含2张图像和128个region proposal（即ROI，64个ROI/张），其中大约25%的ROI和ground truth的IOU值大于0.5（即正样本），且只通过随机水平翻转进行数据增强。
Fast R-CNN在训练时通过共享训练使效率更高，比如每个mini-batch的训练样本来自N=2张输入图片，为了获取R=128个学习样本，需要从每张图片中采样R/N=64个ROI.由于对于同一张图片的不同ROI之间在前向传播和反向传播时是共享计算、共享内存的，因此相比于128个来自128个图片的ROI,网络有64倍的速度提升。

2.3 损失函数

我们知道Fast RCNN有两个输出，将多损失融合（分类损失和回归损失融合），【分类采用log loss（即对真实分类的概率取负log，分类输出K+1维），回归的loss和R-CNN基本一样。】

• 第一个是针对每个RoI的离散概率分布， p p p = ( p 0 p_0 p0​, …,
  p k p_k pk​)， k + 1 k+1 k+1为类别总数。通常，p的计算是在全连接层的K+1个输出上应用softmax。
• 第二个层的输出是约束框回归的偏移量，对于第k类而言， t k t^k tk = ( t x k t^k_x txk​, t y k t^k_y tyk​ , t w k t^k_w twk​, t h k t^k_h thk​)。我们使用[9]中的 t k t^k tk参数化方法， t k t^k tk指定了相对一个对象推荐的缩放无关的平移和log空间内的宽高变化。

每个RoI都使用真实类属u和真实的约束框回归目标v进行标注。我们对每个RoI使用多任务Loss L用来进行分类和约束框回归的联合训练：
L ( p , u , t u , v ) = L c l s ( p , u ) + λ [ u ≥ 1 ] L l o c ( t u , v ) L(p,u,t_u,v)=L_{cls}(p,u) + \lambda [u\geq1]L_{loc}(t^u,v) L(p,u,tu​,v)=Lcls​(p,u)+λ[u≥1]Lloc​(tu,v)
其中 L c l s ( p , u ) = − l o g p u L_{cls}(p, u) = -logp_u Lcls​(p,u)=−logpu​是真实类属 u u u的log loss。
第二个 l o s s L l o c loss L_{loc} lossLloc​是定义两个元组上，第一个元组是针对类 u u u的真实标注约束框回归目标 v = ( v x , v y , v w , v h ) v=(v_x, v_y, v_w, v_h) v=(vx​,vy​,vw​,vh​)，第二个也是针对类 u u u的预测元组 t u = ( t x u , t y u , t w u , t h u ) t^u = (t^u_x, t^u_y, t^u_w, t^u_h) tu=(txu​,tyu​,twu​,thu​)。中括号项代表这样一个函数：当 u ≥ 1 u ≥ 1 u≥1时，返回1，否则返回0。根据约定代表全部剩余一切的背景类标注成 u = 0 u=0 u=0。所以对于背景RoI而言，没有真实标注框信息，因而 L l o c L_{loc} Lloc​就忽略了。对于约束框回归，我们使用这个Loss：
L l o c ( t u , v ) = ∑ i ∈ x , y , w , h s m o o t h L 1 ( t i u − v i ) L_{loc}(t^u,v)= \sum_{i \in {x,y,w,h}} {{smooth}_{L_1}(t^u_i-v_i) } \quad Lloc​(tu,v)=i∈x,y,w,h∑​smoothL1​​(tiu​−vi​)

其 中 ， s m o o t h L 1 ( x ) = { 0.5 x 2 , if |x| < 1 x − 0.5 , otherwise \text 其中，smooth_{L_1}(x)=\begin{cases} 0.5x^2, & \text {if |x| < 1} \\ x-0.5, & \text{otherwise} \end{cases} 其中，smoothL1​​(x)={0.5x2,x−0.5,​if |x| < 1otherwise​

它是L1Loss，比较鲁棒，没有R-CNN和SPPnet中使用的L2 Loss对异常值那么敏感。当回归目标不受控时，使用L2 Loss训练需要更加细心的learning rate调整以避免梯度爆炸。等式3消除了这个敏感性。
等式中的超参数λ用于调整两个loss的平衡。我们归一化回归目标v_i到期望0和单位方差。所有的实验都是用λ = 1。
我们注意到[6]是用了一个相关的loss用于训练未知类物体推荐网络。不同于我们方法的是，[6]主张是用两个网络以分开定位和分类。Overfeat[19]，R-CNN[9]和SPPnet[11]也分开训练分类器和约束框定位器，但这些方法都得分阶段进行训练，对来Fast R-CNN不是最佳选择（5.1节）。
【摘自路工（实验室大神）笔记】
多任务Loss：在此之前，不同的任务还是要训练不同的网络，从这里开始意识到卷积网络的特征提取的特性，从而用不同的损失函数来训练同一个网络的不同分支
如何定义不同的任务也是很大的问题，不仅是分类、回归不同，差别很大的分类也是。

2.4 改进全连接层

由于卷积层计算针对的是一整张图片，而全连接层需要对每一个region proposal都作用一次，所以全连接层的计算占网络计算的将近一半（如下图）。作者采用SVD来简化全连接层计算。

2.5 训练整体架构总结

2.6 测试

2.6.1测试整体架构总结

一旦一个Fast R-CNN调优好，检测就是运行一次前向传播（假设物体推荐已经事先计算好了！）。网络对输入的图像（或者一个图像金字塔，编码成一系列图像）和R个对象推荐的列表进行打分。尽管我们一直分析更大的类别数量（≈ 45k），但测试阶段R一般都是2000左右。使用图像金字塔时，每个RoI都赋值给一个能让RoI接近2242像素的尺度[11]。
对于每个测试RoI r，前向传播输出类的后验概率分布p和一个预测的约束框相对r的偏移值（对于每个类别K都有一个偏移量预测）。我们针对每个类别k对r赋予一个检测置信值，预估概率Pr(class=k|r)= p_k，然后使用对每个类别，分别应用R-CNN[9]中使用的非最大值抑制算法。

3. 思考ing

3.1 改进

• 对于整张图像先提取了泛化特征，这样减少了大量的计算量
• ROIPooling的提出，巧妙的解决了尺度放缩的问题
• 回归一同放进网络训练，用softmax代替SVM分类器，更加简单高效

3.2 不足

region proposal的提取仍然采用selective search，整个检测流程时间大多消耗在这上面（生成region proposal大约2~3s，而特征提取+分类只需要0.32s），之后的Faster RCNN的改进之一便是此点。

3.3 结果

(1) VOC07,2010和2012上最高水平的mAP
(2) 相比R-CNN，SPPnet更加快速的训练和测试时间
(3) VGG16上调优的卷积层提高了mAP
实验环境：
我们的实验使用三个预训练好的ImageNet模型，都可以在网上获取到。第一个是来自R-CNN的CaffeNet（本质是一个AlexNet[14]）。我们用S指代这个模型，表示“small”。第二个网络是VGG_CNN_M_1024[3]，和S有同样的深度，但更宽，称为M，代表“Medium”。最后一个是非常深的VGG16模型[20]。既然这个模型是最大的，我们称为L。本节中所有的实验都是单一尺度训练和测试(s=600)。

3.4 mAP

FRCN相比其他算法表现更好，且注意到，VOC12由于数据集更大而使得模型效果提高很多。（这一角度也说明了数据对于当前深度学习的重要性不容忽视！）
【数据量增加 模型的准确率提高 二者存在一定关系】

3.5 速度【训练和测试时间】

快速的训练和测试是我们的第二个主要成果。
Fast R-CNN还不需要数百GB的磁盘存储，因为它不缓存特征。

4.设计评价分析

我们设计了一些实验来理解Fast R-CNN，并评价这些设计决定。按照最佳实践，这些实验在VOC07数据集上进行。

4.1 多任务训练有帮助吗？【当然】

多任务训练很方便，因为它避免了管理顺序训练的任务的管道。但它也有可能改善结果，因为任务通过共享表示（ConvNet）相互影响[2]。多任务训练是否可以提高fast R-CNN中的物体检测精度？

这些基线用于模型S，M和L
• 第一列，【仅采用分类训练，测试也没有回归】。为了测试这个问题，我们训练了仅使用分类损失Lcls的基线网络,在公式1（即设定λ= 0）。这些模型没有边界框回归量。
• 第二列，【采用论文中的分类+回归训练，测试没有回归】我们采用经过多任务损失训练的网络（公式1，λ= 1），但我们在测试时禁用了边界框回归。这隔离了网络的分类准确性，并允许与基线网络进行一对一的比较。
在所有三个网络中，我们观察到相对于单独的分类训练，多任务训练提高了纯分类准确性。改进范围从+0：8到+1：1 mAP点，显示了多任务学习的一致积极效果。
【列2battle列1:多任务训练可以提高分类任务的准确性】
第三列，【采用分段训练，测试没有回归】我们采用基线模型（仅使用分类损失进行训练），在边界框回归层上进行处理，并使用Lloc训练它们，同时保持所有其他网络参数冻结。mAP比第一列有所改进，但阶段性训练的表现不如多任务训练（每组第四列）。
第四列【采用论文中的分类+回归训练，测试有回归】
【列4 battle 列3：阶段性训练不如多任务训练】

4.2 尺度不变性：蛮力或技巧？【蛮力】

我们比较了实现尺度不变物体检测的两种策略：
蛮力学习（单一尺度）和图像金字塔（多尺度）。
在任何一种情况下，我们都将图像的比例s定义为其最短边的长度。所有单尺度实验都使用s = 600像素;对于某些图像，s可能小于600，因为我们将最长的图像侧限制为1000像素并保持图像的纵横比。选择这些值使得VGG16在微调期间适合GPU内存。较小的模型不受内存限制，可以从较大的s值中受益;但是，为每个模型优化s不是我们主要关注的问题。
我们注意到PASCAL图像平均为384×473像素，因此单尺度设置通常将图像上采样1.6倍。因此，RoI汇集层的平均有效步幅≈10个像素。
在多尺度设置中，我们使用[11]中指定的相同的五个尺度（s 2 f480; 576; 688; 864; 1200g）以便于与SPPnet进行比较。但是，我们将最长边设为2000像素，以避免超过GPU内存。

表7显示了使用一个或五个尺度进行训练和测试时的模型S和M.也许[11]中最令人惊讶的结果是单尺度检测几乎与多尺度检测一样好。我们的研究结果证实了他们的结果：深度卷积网络擅长直接学习规模不变性。多尺度方法在计算时间内以较大的成本，提供了mAP的小幅增加（表7）。在VGG16（型号L）的情况下，我们使用单一比例受限于GPU的限制。然而，它实现了66.9％的mAP，略高于R-CNN报告的66.0％[10]，尽管R-CNN使用“无限”尺度，因为每个提案都被扭曲到规范尺寸。
由于单尺度处理提供了速度和精度之间的最佳折衷，特别是对于非常深的模型，本小节之外的所有实验都使用单尺度训练和s = 600像素的测试。
【虽然SPP可以提升精度1%，但是速度和精度的battle之中，作者选择了速度快且精度还不错的但尺度检测 也为之后多尺度问题的解决发下伏笔??】

4.3我们需要更多的培训数据吗？【需要】

【此时观点，越多的训练数据越好】
当提供更多训练数据时，良好的物体探测器应该得到改善。Zhu等人 [24]发现DPM [8]的 mAP仅在几百到几千个训练样例后到达饱和。在这里，我们使用VOC12 train-val set增加VOC07 train-val set，图像数量增加3倍至16.5k，以评估Fast R-CNN。训练集将VOC07测试的mAP从66.9％提高到70.0％（表1）。对此数据集进行培训时，我们使用60k小批量迭代而不是40k。
我们对VOC10和2012进行了类似的实验，为此我们从VOC07 train-val，test和VOC12 train-val的联合构建了21.5k图像的数据集。在对该数据集进行训练时，我们使用100k SGD迭代并将学习率降低0：1×每40k次迭代（而不是每次30k）。对于VOC10和2012，mAP分别从66.1％提高到68.8％，从65.7％提高到68.4％。

4.4 SVM的表现优于softmax吗？【NOPE】

Fast R-CNN使用在微调期间学习的softmax分类器，而不是像在R-CNN和SPPnet中那样训练一对多线性SVM。为了理解这一选择的影响，我们在Fast R-CNN中采用难负例挖掘实现了SVM训练。我们使用R-CNN中相同的训练算法和超参数。

表8显示，对于所有三个网络，softmax略微优于SVM，+ 0.1至+0.8 mAP点。这种影响很小，但它表明，与以前的多阶段训练方法相比，“一次性”微调就足够了。我们注意到softmax与一对多SVM不同，在对RoI进行评分时引入了类之间的竞争。

4.5更多proposal总是更好吗？【慎重 适量加还凑合 无脑加GG】

存在（广泛地）两种类型的对象检测器：使用sparse set的对象proposal（稀疏集合，例如，选择性搜索[21]）和使用dense set（密集集合，例如，DPM [8]）的对象检测器。对稀疏proposal进行分类是一种级联[22]，其中proposal机制首先拒绝大量候选者离开分类器，以用小的数据集进行评估。【此处认为 SS就是进行了筛选后，dense之类的就很多很密集无筛选】当应用于DPM检测时，该级联提高了检测精度[21]。我们发现proposal分类器级联也提高了Fast R-CNN精度的证据。【SS可以提高fast rcnn】
使用选择性搜索（SS）的质量模式，每次重新训练和重新测试模型M时，每个图像扫描1k到10k个proposal。如果proposal服务于纯粹的计算角色，增加每个图像的proposal数量不应该损害mAP。[proposal 服务于之后的分类，数量增加不应该损害精度]
随着proposal数量的增加，我们发现mAP上升然后略有下降（图3，蓝色实线）。这个实验表明，用更多的proposal淹没深度分类器并没有帮助，甚至有点伤害准确性。【太多的推荐并无卵用】
如果没有实际运行实验，这个结果很难预测。 一种最新评估：对象proposal质量的技术是 平均召回（AR）[12]。当每个图像所用固定数量的proposal时，AR与使用R-CNN的若干proposal方法的mAP很好地相关。图3示出了AR（实线红线）与mAP不完全相关，因为每个图像的proposal数量是变化的。AR必须小心使用;由于更多proposal，AR越高，并不意味着mAP会增加。幸运的是，使用M模型进行培训和测试的时间不到2.5小时。因此，快速R-CNN能够有效，直接地评估对象提议mAP，这比代理度量更好。
当使用密集生成的候选框（超过比例，位置和纵横比）时，我们还研究了Fast R-CNN，速率约为45k框/图像。这个密集的集合足够丰富，当每个选择性搜索框被其最接近的（在IoU）密集框中替换时，mAP仅下降1个点（到57.7％，图3，蓝色三角形）。
密集框的统计信息与选择搜索框的统计信息不同。从2k选择性搜索框SS开始，我们在添加随机样本1000×｛2; 4; 6; 8; 10; 32; 45｝测试mAP。对于每个实验，我们重新训练并重新测试模型M.当添加这些密集框时，mAP衰减比添加更多选择性搜索框时更强烈，最终达到53.0％。
【无脑随机添加密集框Map衰减快】
我们还使用密集框（45k /图像）训练和测试Fast R-CNN。此设置产生的mAP为52.9％（蓝色菱形）。最后，我们检查是否需要具有难负例挖掘的SVM来应对密集框分布。 SVM更糟糕：49.3％（蓝色圆圈）。【不咋地】

4.6初步的MS COCO结果

我们将Fast R-CNN（带有VGG16）应用于MS COCO数据集[18]以建立初步baseline。我们对240k迭代的80k图像训练集进行了训练，并使用评估服务器在“test-dev”集上进行评估。
PASCAL式mAP为35.9％;新的COCO式AP，其平均超过IoU门槛，为19.7％。

5.结论

本文提示了Fast R-CNN，一个清晰快速的R-CNN和SPPnet的升级版。除了报告了最赞的检测结果，我们还做了一些实验，希望提供更多的见解。尤其注意的是稀少的proposal似乎能提高检测器的质量。过去研究这个问题在时间上过于昂贵，但Fast R-CNN上变得可行。当然，也许会有未发现的密集框技术可以和稀疏推荐效果一样好。如果这种方法被开发出来，也许会进一步提升对象检测的表现。
【密集 vs 稀疏 论文conclusion在此结束 也就是告诉读者们，大佬开始想着Proposal的问题了，也在思考新的解决方案。而后的faster rcnn的解决方案也近似是密集的一种方式】

本文参考于以下大佬（感恩各位大佬！！！）：
https://www.cnblogs.com/CZiFan/p/9903518.html
https://www.cnblogs.com/wangyong/p/8523814.html
https://baijiahao.baidu.com/s?id=1582946841636662954&wfr=spider&for=pc
https://blog.csdn.net/yiran103/article/details/80669873

本周还有一篇Fast RCNN啦，感谢小伙伴们的分享，开学第一周四篇论文，嘻嘻嘻，也算是新学期新气象！大家一起努力呀，居年冲鸭！！！