one-state 和 two-state神经网络的区别

one-state 和 two-state神经网络的区别

one -state 神经网络模型：YOLO, SSD, SqueezeDet, DetectNet等
two-stage神经网络模型：R-CNN， Fast R-CNN, Faster R-CNN 等

首先给出各个网络的速度与准确度比较，由图可以发现，one-stage网络速度要快很多，但.one-stage网络的准确性要比two-stage网络要低

1. 为什么one-stage的速度快很多

因为two-stage的网络是首先生成候选框，然后将候选框中的特征向量送入全连接层，进行分类和回归任务，每一个候选区域都要进行这样的任务，所以比较耗时。而one-stage网络生产的候选区域只是一个逻辑结构，或者只是一个数据块，，只需要对这个数据块进行分类和回归就可以。

2. 为什么one-stage网络的准确性比two-stage的稍低

因为two-stage，比如说R-CNN，首先在原图上生产若干个候选区域，这个候选区域表示可能会是目标的候选区域，这个候选区域不会特别多。假如我一张图像是100 x 100的，可能会有2000个候选区域，再将这些候选区域送到分类和回归网络中，最后进行训练的候选框其实不多，几百到几千，不会存在特别严重的正负样本不均衡问题。对于one-stage网络，生成的候选框数目特别大，很有可能上万。但是真正负责预测的可能只有几个，也就是正样本。其余的都是背景候选框，也就是负样本，导致正负样本比例严重失衡，这个损失为目标置信度损失。因此导致one-stage的准确率比two-stage的网络稍低。

3. 解决one-stage准确率低的方法

这只阈值，只要大于这个阈值，就认为该候选框为非背景候选框。当然这个阈值只影响目标置信度损失，位置和类别损还是原来的值。保证背景候选框与非背景候选框比例差不多。