One Stage和Two Stage

One Stage和Two Stage优缺点对比

One Stage

                                           特征提取–> 分类/定位回归。

         

通过CNN卷积网络卷积出图片特征，直接使用回归网络回归出类别的概率和位置坐标值

one stage 现在的代表为 yolo ssd

Two Stage

                                   特征提取 --> 生成RP --> 分类/定位回归。

先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位

 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。

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）

two stage 的主要应用为 faster rcnn