Tag: #深度学习 #目标学习
前言
Detection主要分为以下三个支系:
one-stage | two-stage | multi-stage | |
---|---|---|---|
主要算法 | YOLOv1、SSD、YOLOv2、RetinaNet、YOLOv3 | Fast R-CNN、Faster R-CNN | R-CNN、SPPNet |
检测精度 | 较低 | 较高 | 极低 |
检测速度 | 较快 | 较慢 | 极慢 |
鼻祖 | YOLOv1 | Fast R-CNN | R-CNN |
状态 | 已淘汰 |
主要任务:
- 对于不需要预生成RP(region proposal,候选区)的目标检测算法而言,算法只需要完成三个任务:
- 特征抽取
- 分类
- 定位回归
- 对于有预生成RP(region proposal,候选区)的目标检测算法而言,算法要完成的主要有四个任务:
- 特征抽取
- 生成RP
- 分类
- 定位回归
框架流程:
Multi Stage 多阶段
最早期的检测算法 (主要为R-CNN、SPPNet) 都属于multi-stage系。这个时候的Selective Serach、Feature extraction、location regressor、cls SVM是分成多个stage来各自单独train的。故谓之曰“multi-stage”:
Two Stage 两阶段
两阶段算法首先由算法生成一系列作为样本的候选框(region proposals),然后利用卷积神经网络对候选区域分类(一般还需要对位置精修)。
stage 1:从图像中生成regional proposal(物体备选框,本质上是对物体边框的初步猜想)
Stage 2:从regional proposal 中生成最终的物体边框。
典型的backbone有VGGNet、ResNet
网络的准确度高、速度相对One-stage慢。
One Stage 一阶段
单阶段算法不需要region proposal阶段,直接产生物体的类别概率和位置坐标值,经过单次检测即可直接得到最终的检测结果,因此有着更快的检测速度,但准确度一般相对较低。
在YOLOv1中,“生成RP”这一任务被直接丢弃了。因此,整个算法只剩下了一个stage,故谓之曰“one-stage”: