Fast R-CNN是一种用于机器学习目标检测和定位的模型，于2015年4月提出，作为原始R-CNN的改进版本。它属于基于区域的卷积神经网络（R-CNN）家族，该家族旨在通过生成边界框和类别标签来识别图像中的物体。Fast R-CNN解决了其前身的一个关键低效问题，即仅在整个图像上运行一次底层神经网络，而不是分别对数千个候选区域各运行一次，从而在保持精度的同时加快了训练和推理速度。
该模型由Ross Girshick开发，基于早期R-CNN的工作。它使用选择性搜索算法来提出感兴趣区域（ROI），然后由卷积网络处理这些区域。一个专门的ROIPooling模块为每个ROI提取固定大小的特征图，随后对这些特征图进行分类和边界框回归细化。与独立为每个ROI计算特征的R-CNN相比，这种设计显著减少了计算冗余。
架构
Fast R-CNN的架构由一个卷积骨干网络（例如VGG16）组成，该网络对输入图像处理一次，生成特征图。选择性搜索从图像中生成最多2000个区域提议。每个提议被映射到特征图中的一个区域，ROIPooling将该区域划分为固定网格（例如7x7），并应用最大池化以产生固定大小的输出。这些池化特征被输入到全连接层，输出softmax类别概率和边界框偏移量。整个网络使用结合分类和回归的多任务损失进行端到端训练。
与原始R-CNN需要为每个组件单独训练阶段不同，Fast R-CNN联合优化所有层，简化了训练流程。ROIPooling的使用允许梯度在反向传播过程中流经区域提议，从而实现高效学习。
对R-CNN的改进
Fast R-CNN的主要改进是计算效率。R-CNN将每个2000个ROI独立地通过CNN处理，导致大量冗余计算。Fast R-CNN在所有ROI之间共享卷积计算，将训练时间从数天缩短到数小时，并将推理速度提高了200倍以上。此外，Fast R-CNN使用多任务损失，同时优化分类和边界框回归，与R-CNN的分离训练阶段相比，提高了定位精度。
另一个显著变化是使用softmax分类器替代R-CNN中使用的支持向量机（SVM），简化了模型并提高了性能。ROIPooling层还实现了端到端训练，这在原始R-CNN中因其不连贯的训练流程而无法实现。
影响与遗产
Fast R-CNN是目标检测领域的一个重要里程碑，影响了后续模型。2015年6月，Faster R-CNN紧随其后，用集成到神经网络中的区域提议网络取代了选择性搜索，进一步提高了速度和精度。后来的扩展包括用于实例分割的Mask R-CNN（2017年3月）、通过递增IoU阈值改进定位的Cascade R-CNN（2017年12月）以及用于3D网格生成的Mesh R-CNN（2019年6月）。R-CNN家族已应用于从无人机摄像头跟踪物体、文本定位以及为Google Lens提供支持等任务。
Fast R-CNN的架构，特别是ROIPooling，影响了许多后续检测框架。其共享计算和端到端训练的原则现已成为现代目标检测器的标准，包括用于深度学习应用的那些检测器。
训练与性能
Fast R-CNN在PASCAL VOC和COCO等数据集上进行训练，使用随机梯度下降和学习率调度。它通常使用预训练的骨干网络（例如VGG16）在目标数据集上进行微调。该模型在基准数据集上实现了高平均精度（mAP），并相对于R-CNN有显著的速度提升。例如，在PASCAL VOC 2012上，Fast R-CNN实现了66%的mAP，同时推理速度比R-CNN快约25倍。
训练过程涉及从每批少量图像中采样ROI，平衡正负样本。多任务损失对分类和回归进行加权，并调整超参数以获得最佳性能。Fast R-CNN的效率使其适用于实际应用，促进了其在计算机视觉研究和工业界的广泛采用。