目标检测——One-stage和Two-stage的详解

一、One-stage类别的目标检测算法

---

1、什么是One-stage

直接回归物体的类别概率和位置坐标值（无region proposal），但准确度低，速度相遇two-stage快。

2、One-stage的目标检测方法概述

 

                                             

                                                                    

直接通过主干网络给出类别和位置信息，没有使用RPN网路。这样的算法速度更快，但是精度相对Two-stage目标检测网络了略低。

• 目前常用的典型的One-stage目标检测网络

        YOLOv1、YOLOv2、YOLOv3

         SSD、DSSD等

        Retina-Net等

 

                                 

 

 

---

二、Two-stage类别的目标检测算法

---

1、什么是Two-stage

 先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。

2、Two-stage的目标检测方法概述

对于Two-stage的目标检测网络，主要通过一个卷积神经网络来完成目标检测过程，其提取的是CNN卷积特征，在训练网络时，其主要训练两个部分，第一步是训练RPN网络，第二步是训练目标区域检测的网络。网络的准确度高、速度相对One-stage慢。

• Two-stage算法的代表

      R.Girshick et al等人在2014年提出的R-CNN到Faster R-CNN网络。

      

• Two-stage目标检测网络的基本流程

• 流程分析

首先输入一张图片，接着经过卷积神经网络，通过卷积神经网络对图片进行深度特征的提取，这个卷积神经网络称之为主干网络，典型的主干网络有VGGNet、ResNet 、Zenet等一些经典的卷积神经网络结构；接着通过RPN网络来进行候选区域产生的操作，同时也会完成区域的分类，即将图片分为背景和目标这样两种的不同的类别，并且也会对目标的位置进行初步的预测。

接下来对候选区域中的位置进行精确定位和修正，使用Roi_pooling层，可以将此层理解为抠图的操作，接着将抠图所得到的候选目标对应到特征图（feature map）上相应的特征区域，然后经过一个全连接层（fc），并得到相应的特征向量，最后通过分类和回归这样两个分支，来实现对这个候选目标类别的判定和目标位置的确定（也就是最后矩形框的四个点的坐标，（x,y,w,h）：（x,y）为左上角顶点的坐标，w，h是矩形框的长和宽）。