Fast R-CNN 的改动包括共享卷积、区域读取和类别/位置反馈共同训练。图上的多个区域仍各有答案，合并的是可共用计算。先指出损失从哪里回到同一骨干，再理解为什么外部候选成为下一项瓶颈。
整图特征、两个不同位置的 RoI Pool、各自类别及框输出；第二状态显示任务反馈到共享骨干的路径。
Fast R-CNN 把整图特征、区域读取以及类别和框回归组织在同一个较紧凑的训练流程里。图片主要计算一次，候选区域在共享特征上读取，然后各自产生预测。 学生容易只记住“更快”两个字。真正应该看到的是：系统把原来重复的计算搬到了共同部分，同时让区域任务的反馈回到共享表示。训练怎样组织，和速度怎样改善，在这里是连在一起的。 但此时的候选区域仍然需要产生。当前面主要计算变得更高效，原来相对不显眼的步骤就可能变成新的瓶颈。接下来研究者问的不是再给这个网络起一个更快的名字，而是：候选本身能不能也从共享特征中学出来？
从整图特征取到每个 RoI 后，分类分支判断类别或背景，框分支预测相对位置修正。设某个区域属于杯子，损失一部分来自“杯子”概率是否足够大，另一部分来自中心、宽高偏移是否接近匹配目标。背景区域参与分类，通常不承担指向某个对象的位置回归。
把一批区域的损失相加后，梯度沿各自的区域读出回到共享骨干。共享的参数会收到来自不同区域、不同任务的反馈；它并不要求所有区域有相同答案。正如同一把尺子测不同物体可以得到不同长度，同一个预测器处理不同区域特征也会给出不同结果。
Fast R-CNN 保留了外部候选来源，但把共享卷积、RoI 读取、分类和框回归组织进更紧凑的训练流程。卷积不再为每个重叠区域重复做，候选提取的时间便更加突出。下一步自然不是继续增加分类头，而是让候选也从这张 F 中学习。
理解这一页时，能够在图上指出“两个区域各自的输出”和“同一个被共同更新的骨干”，就已经抓住它的机制。历史多阶段实现细节与训练采样放在 CLS07，而不加回主讲页。
沿 CLS07 的公式定位疑问，再选 LAB09 解析练习或 LAB10 完整训练。
主图展示共享特征、区域读出及类别/回归的联合训练思想，候选仍来自外部方法。反馈线表示总损失更新共享计算，不表示多个区域同一个答案。