Faster R-CNN、Yolov2、MTCNN的区别

1.YOLO，YOLOv2

YOLO和YOLOv2是one-stage的结构，没有区域建议，但是YOLO和YOLOv2做分类的时候用的L2 loss，是将分类问题当作回归任务来处理。

2.YOLOv3

YOLOv3和YOLOv2、SSD都不同，它的分类损失既不使用softmax+交叉熵来做，又没有用L2，而是使用n个二值交叉熵来做，比如在COCO上，使用一个80类的交叉熵是可以实现的，但是YOLOv3用了Logistic+二值交叉熵处理，将一个80分类问题转化为80个二分类问题。

3.阶段区别

目标检测模型分为两类。
一类是two-stage，将物体识别和物体定位分为两个步骤，分别完成，这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。
为了解决这一问题，另一类方式出现了，称为one-stage, 典型代表是Yolo, SSD, YoloV2, YoloV3等。他们识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。