Fast R-CNN目标检测算法是在R-CNN目标检测算法的基础之上，做了改进，关于R-CNN目标检测算法可通过点击链接进行了解。
首先，介绍Fast R-CNN目标检测算法的基本流程：
1、将图片输入到卷积神经网络中，提取特征，都到特征图
2、在特征图上，提取候选框，提取到的候选框大小不一
3、将大小不一的候选框传入ROI Pooling层，得到固定大小的输出，之后将其传到全连接层
4、最后对全连接层的输出，分类做分类和回归
这里需要对Fast R-CNN的细节做一些说明，它是如何改进R-CNN的：
1、候选框的生成方式
从上图中，我们可以看到，在一开始的时候，我们并没有对原始输入图片做Selective Search算法，提取候选框。而是在卷积神经网络提取到的特征图上产生候选框，这样做的目的就是为了避免反复的进行特征提取，从而提高效率。
那么如何在特征图上提取候选框？首先，我们必须知道感受野的概念，那就是经过卷积神经网络得到的特征图上的一块区域，对应着原始图片上的一块区域，这是有对应关系的。那么，我们通过对原始输入图片做Selective Search算法，得到了候选框，然后通过映射关系就可以在特征图上截取出相应的候选框。这样就完成了在特征图上产生候选框的工作。
注意：Fast R-CNN依然使用了Selective Search算法，但是使用的方式与R-CNN不同，通过这个改变避免了反复的进行特征提取。
2、ROI Pooling层
在特征图上提取到的候选框大小不一，没有办法直接连接到全连接层。Fast R-CNN就借鉴了SppNet中的空间金字塔池化，产生了ROI Pooling层，使得不同大小的候选框输入到ROI Pooling层之后得到固定大小的输出，从而可以和全连接层进行连接。想要了解SppNet的可以点击链接。
3、不再使用SVM分类器，而是使用softmax进行分类
总结，Fast R-CNN在R-CNN的基础上，做了很大的改进，检测速度也有了很大的提升。主要的改进就是候选框的生成方式、ROI Pooling层以及使用softmax进行分类。但是它的检测速度仍然很慢，主要的原因就是在产生候选框的时候，仍然使用Selective Search算法，导致检测的效率不高。
