one/two-stage目标检测方法的区别和优缺点？

众所周知，物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小。

当然，物体检测过程中有很多不确定因素，如图像中物体数量不确定，物体有不同的外观、形状、姿态，加之物体成像时会有光照、遮挡等因素的干扰，导致检测算法有一定的难度。

由于目标检测的应用场景广泛，所以在CV面试中经常出现，比如七月在线有一CV就业班的学员出去面试时，便被问到“one-stage和two-stage目标检测方法的区别和优缺点？”（详见此文：https://ask.julyedu.com/question/88747）

虽然我们在本文中详细介绍了各个目标检测的方法：

https://www.julyedu.com/question/big/kp_id/32/ques_id/2103 ，但如果你是第一次听到one-stage和two-stage，你会不会瞬间一脸懵逼，这是啥？

其实很简单，顾名思义，区别在于是一步到位还是两步到位。

具体说来，进入深度学习时代以来，物体检测发展主要集中在两个方向：
two stage算法，如R-CNN系列；
ones-tage算法，如YOLO、SSD等。

两者的主要区别在于two stage算法需要先生成proposal（一个有可能包含待检物体的预选框），然后进行细粒度的物体检测，而one stage算法会直接在网络中提取特征来预测物体分类和位置。

所以说，目标检测算法two-stage，如Faster R-CNN算法会先生成候选框（region proposals，可能包含物体的区域）ÿ