One Stage与Two Stage

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：

1. 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
2. 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”：

引用

1. 深度学习: one-stage/two-stage/multi-stage 目标检测算法
2. One stage 与two stage 详解