目标检测算法two-stage-one-stage

什么是目标检测?

目标检测object detection, 就是在给定的图片中精确找到物体所在的位置,并标注出物体的类别,所以目标检测要解决的问题有两个:

(1) 目标在哪里?表现就是给我这个物体的包围框box的左上和右下的坐标(xmin,ymin,xmax,ymax)

(2)目标是什么?是人还是车还是飞机?

难点在哪里?

上面的两个问题并不容易解决,目标的尺寸范围很大,一个人有可能只占据了一张图片的1/10,可能只有20个像素,也可能覆盖了整张图片,有1000个像素；目标物体的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个类别.

深度学习框架下的方法都有那些?

目前的目标检测算法分为两类：

一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这一类的典型代表是R-CNN, Fast R-CNN, Faster R-CNN，Mask R-CNN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。

另一类方式称为one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO，YOLOv2，YOLOv3，SSD，RetinaNet等。

YOLO算法的全拼是You Only Look Once，顾名思义就是只看一次，进一步把目标判定和目标识别两个步骤合二为一，所以识别速度有了很大提升，达到每秒45帧，而在快速版YOLO(Fast YOLO，卷积层更少)中，可以达到每秒155帧，这样就完全能满足实时性要求（达到24帧每秒，人眼就认为是连续的）。