目标检测（Object Detection）学习笔记（二）Anchor-Based经典检测模型（Faster R-CNN、YOLO、SSD）

本文是我的目标检测笔记的第二部分：Anchor-Based经典检测模型分析，包括对以下经典的目标检测模型的个人总结和理解：

• Faster R-CNN
• YOLO 系列
• SSD

总述

下图显示了不同算法的基本框架图，对于Faster R-CNN，其先通过CNN得到候选框，然后再进行分类与回归，而Yolo与SSD可以一步到位完成检测。

Faster R-CNN

Faster R-CNN是two-stage检测框架的代表作，在各大竞赛的排行榜上，以它为基础的变体都占据着统治地位。Faster R-CNN的网络结构图如下图：

按照流程来说，Faster R-CNN的整体架构可以看下图（以VGG为例）：

Faster R-CNN的检测流程是：首先使用深度卷积网络作为Backbone，从原始图像中抽取一张特征图；随后根据RPN输出的候选区域截取主干网络输出的特征图；之后通过RoI pooling得到最终的Head，并进行bounding box regression&classification；最后一个后处理过程NMS则搜索局部极大值、抑制非极大值元素。

它的几个突出贡献点如下：

• 提出了RPN网络，用来生成region proposal；
• 在RPN中引入了anc