深度学习: one-stage/two-stage/multi-stage 目标检测算法

Introduction
Detection主要分为以下三个支系：

-    one-stage系    two-stage系    multi-stage系
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
Detection算法的几个task
对于不需要预生成RP的Detection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的Detection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
Detection算法的框架套路

multi-stage 算法
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 算法
到了Fast R-CNN的时候，Feature extraction、location regressor、cls SVM都被整合到了一个network里面，可以实现这三个task一起train了。由于生成RP的task还需要另外train，故谓之曰“two-stage”： 

到了Faster R-CNN中，虽然RPN的出现使得四个task可以一起被train，但是依然被归类为“two-stage”。（这个地方我也不是很理解。）

one-stage 算法
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”： 

[1] 检测任务专题2: two-stage检测 
[2] Object Detection–RCNN,SPPNet,Fast RCNN，FasterRCNN论文详解