一、Fast R-CNN原理
在SPPNet中，实际上特征提取和区域分类两个步骤还是分离的。只是使用ROI池化层提取了每个区域的特征，在对这些区域分类时，还是使用传统的SVM作为分类器。Fast R-CNN相比SPPNet更进一步，不再使用SVM作为分类器，而是使用神经网络进行分类，这样就可以同时训练特征提取网络和分类网络，从而取得比SPPNet更高的准确度。Fast R-CNN的网络结构如下图所示
对于原始图片中的候选框区域，和SPPNet中的做法一样，都是将它映射到卷积特征的对应区域，即上图中的ROI projection，然后使用ROI池化层对该区域提取特征。在这之后，SPPNet是使用SVM对特征进行分类，而Fast R-CNN则是直接使用全连接层。全连接层有两个输出，一个输出负责分类，即上图中的softmax，另一个输出负责框回归，即上图中的bbox regressor。
先说分类，假设要在图像上检测K类物体，那么最终的输出应该是K+1个数，每个数都代表该区域为某个类别的概率。之所以是K+1个输出而不是K个输出，是因为还需要一类“背景类”，针对该区域无目标物体的情况。
再说框回归，框回归实际上要做的是对原始的检测框进行某种程度的“校准”。因为使用Selective Search获得的框有时存在一定偏差。设通过Selective Search得到的框的四个参数为（x,y,w,h），其中（x,y）表示框左上角的位置，而（w,h）表示框的宽度和高度。而真正的框的位置用（x',y',w',h'）表示，框回归就是要学习参数[(x'-x)/w，(y'-y)/h，ln(w'/w)，ln(h'/h)]其中(x'-x)/w，(y'-y)/h两个数表示与尺度无关的平移量，而ln(w'/w)， ln(h'/h)两个数表示的是和尺度无关的缩放量。
Fast R-CNN 与SPPNet最大的区别就在于，Fast R-CNN不再使用SVM进行分类，而是使用一个网络同时完成了提取特征，判别类别和框回归三项任务。
二、Faster R-CNN原理
Fast R-CNN看似很完美了，但在Fast R-CNN中还存在着一个有点尴尬的问题：它需要先使用Selective Search提取框，这个方法比较慢，同时，检测一张图片，大部分时间不是花在计算神经网络分类上，而是花在Selective Search提取框上！在Fast R-CNN的升级版Faster R-CNN中，用RPN网络(Region Proposal Network)取代了Selective Search，不仅速度得到大大提高，而且还获得了更加精确的结果。
RPN网络的结构如下图所示
RPN还是需要先使用一个CNN网络对原始图片提取特征。为了方便读者理解，不妨设这个前置的CNN提取的特征为51x39x256，即高为51、宽为39、通道数为256。对这个卷积特征再进行一次卷积计算，保持宽、高、通道不变，再次得到一个51x39x256的特征。为了方便叙述，先来定义一个“位置”的概念：对于一个51x39x256的卷积特征，称它一共有51x39个“位置”。让新的卷积特征的每一个“位置”都“负责”原图中对应位置9种尺寸框的检测，检测的目标是判断框中是否存在这样一个物体，因此共有51x39x9个“框”。在Faster R-CNN的原论文中，将这些框都统一称为“anchor”。
anchor的9种尺寸如下图所示，它们面积分别是1282，2562，5122。每个面积又分为3种长宽比，分别2：1、1：2、1：1。anchor的尺寸实际是属于可调的参数，不同任务可以选择不同的尺寸。
对于这51x39个位置和51x39x9个anchor，下面这张图展示了接下来每个位置的计算步骤。设k为单个位置对应的anchor的个数，此时k=9。首先使用一个3x3的滑动窗口，将每个位置转换为一个统一的256维的特征，这个特征对应了两部分的输出。一部分表示该位置的anchor为物体的概率，这部分的总输出长度为2xk(一个anchor对应两个输出：是物体的概率+不是物体的概率)。另一部分为框回归，框回归的含义与Fast R-CNN中一样，一个anchor对应4个框回归参数，因此框回归部分的总输出的长度为4xk。
Faster R-CNN使用RPN生成候选框后，剩下的网络结构和Fast R-CNN中的结构一模一样。在训练过程中，需要训练两个网络，一个是RPN网络，一个是在得到框之后使用的分类网络。通常的做法是交替训练，即在一个batch内，先训练RPN网络，再训练分类网络一次。
R-CNN、Fast R-CNN、Faster R-CNN的对比如下表所示
从R-CNN，到Fast R-CNN，再到Faster R-CNN，不仅检测速度越来越快，而且检测的精确度也在不断提升。在出现R-CNN方法前，VOC2007数据集上传统方法所能达到的最高平均精确度（mAP）为40%左右，R-CNN将该值提高到了58.5%，Fast R-CNN在VOC2007上的平均准确度为70%，Faster R-CNN又将该值提高到了78.8%。这几种方法既一脉相承，又不断改进，值得仔细研究。
