9种深度学习算法简介

导读：从算法处理的流程来划分，基于深度学习的目标检测算法可分为两阶段（Two-Stage）算法和一阶段（One-Stage）算法，两阶段算法需要先进行候选框的筛选，然后判断候选框是否框中了待检测目标，并对目标的位置进行修正；一阶段算法没有筛选候选框的过程，而是直接回归目标框的位置坐标和目标的分类概率。

作者：涂铭 金智勇

来源：大数据DT（ID：hzdashuju）

01 两阶段算法

两阶段算法包含选择候选框和修正目标分类/位置两个阶段，对这两个阶段的不同处理方式，构成了不同的算法方案。

1. R-CNN算法

2014年，R. Girshick等人提出了R-CNN算法。R-CNN算法的思路非常简单，首先基于Selective Search方法从原始图像中筛选出若干候选框，然后将每个候选框中的图像缩放的固定尺度送入卷积网络提取特征，最后通过支持向量机（SVM）方法对特征进行分类，判断候选框中的图像是背景还是我们关注的目标类型。

在VOC2007数据集上，R-CNN算法相比之前的检测算法，在性能有了显著的提升（从33.7%提升到58.5%），是检测算法的一个里程碑式的突破。

虽然R-CNN在算法性能上取得了巨大的进展，但弊端也非常明显，因为需要分别从2000多个候选框中提取特征，所以效率非常低，后续各种算法正是为了解决这一问题而提出的一系列改进方案。

2. SPP-Net算法

2014年，何恺明等人提出了SPP-Net（Spatial Pyramid Pooling Networks，空间金字塔池化网络）算法。

R-CNN算法要求输入卷积网络用来提取特征的子图像尺寸固定，比如Alex-Net就要求输入的图像大小为固定的224像素×224像素，而SPP-Net算法则去掉了这一限制。SPP-Net算法基于一个空间金字塔