【轉】深度學習目標檢測的整體架構描述（one-stage/two-stage/multi-stage）

版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。

本文鏈接： https://blog.csdn.net/JNingWei/article/details/80039079

Introduction

Detection主要分為以下三個支系：

-	one-stage系	two-stage系	multi-stage系
主要算法	YOLOv1、SSD、YOLOv2、RetinaNet、YOLOv3	Fast R-CNN、Faster R-CNN	R-CNN、SPPNet
檢測精度	較低	較高	極低
檢測速度	較快	較慢	極慢
鼻祖	YOLOv1	Fast R-CNN	R-CNN
狀態			已淘汰

Detection算法的幾個task

1. 對於不需要預生成RP的Detection算法而言，算法只需要完成三個任務：

   • 特征抽取
   • 分類
   • 定位回歸

2. 對於有預生成RP的Detection算法而言，算法要完成的主要有四個任務：

   • 特征抽取
   • 生成RP
   • 分類
   • 定位回歸

Detection算法的框架套路

multi-stage 算法

最早期的檢測算法 (主要為R-CNN、SPPNet) 都屬於multi-stage系。這個時候的Selective Serach、Feature extraction、location regressor、cls SVM是分成多個stage來各自單獨train的。故謂之曰“multi-stage”：

two-stage 算法

到了Fast R-CNN的時候，Feature extraction、location regressor、cls SVM都被整合到了一個network里面，可以實現這三個task一起train了。由於生成RP的task還需要另外train，故謂之曰“two-stage”：

到了Faster R-CNN中，雖然RPN的出現使得四個task可以一起被train，但是依然被歸類為“two-stage”。（這個地方我也不是很理解。）

one-stage 算法

在YOLOv1中，“生成RP”這一任務被直接丟棄了。因此，整個算法只剩下了一個stage，故謂之曰“one-stage”：

---

[1] 檢測任務專題2: two-stage檢測
[2] Object Detection–RCNN,SPPNet,Fast RCNN，FasterRCNN論文詳解