Fast R-CNN是在R-CNN的基础上进行的改进，大致框架是一致的。总体而言，Fast R-CNN相对于R-CNN而言，主要提出了三个改进策略： 1. 提出了RoIPooling，避免了对提取的region proposals进行缩放到224x224，然后经过pre-trained CNN进行检测的步骤，加速了整个网络的learning与inference过程，这个是巨大的改进，并且RoIPooling是可导的，因此使得整个网络可以实现end-to-end learning，这个可以认为是

动态模式分解,从人类步行数据中提取信息.动态模式分解是一种降维算法，最初是在流体力学领域引入的。与提供内部坐标系和相应投影的SVD相似，DMD为您提供随不同时间行为演变的特定空间模式。(Extract Info from Human Walking Data with Dynamic Mode Decomposition)

block krylov 子空间近似 SVD 分解(Approximate SVD decomposition of block Krylov subspace)