注：本博客截取自多篇文章，只為學習交流
表1.coco2017模型性能對比[1]
一、faster RCNN
這個算法是一個系列，是RBG大神最初從RCNN發展而來，RCNN->fast RCNN->faster RCNN，那么簡單的介紹下前兩種算法。
首先RCNN，在這個算法中神經網絡實際上就是一個特征提取器，作者用selective search的方法提取了一定數量（2000個）region proposal，然后對region proposal做卷積操作，將fc7這一層的特征提取出來用於分類和坐標回歸，這里分類用的還不是softmax而是SVM。這個算法的貢獻主要是提出了一種有效的特征利用方式，后續很多人在工程實踐中都是用的fc7層的特征來做基於faster RCNN的應用。
到fast RCNN，fast RCNN將除了region proposal提取以外的部分都用一個網絡來實現，與RCNN不同的是，1）他的分類和坐標回歸的loss一起通過反向傳播來更新網絡參數；2）它在提取feature時並不會把每個region proposal都放入提取，而是將整幅圖提取特征后，用坐標映射的方式提取feature，這樣有兩個好處a）快，因為一張圖片只走一次網絡；b）feature的特征受感受野的影響，能融合相鄰的背景的特征，這樣“看”得更遠一些。
最后是faster RCNN，作者發現selective search的方法導致算法沒有實時性的可能，因此，作者嘗試用region proposal network來取代selective search的方法，並且與fast RCNN的分類和回歸網絡共用特征提取層，因此這樣並不會帶來太多額外的計算量，而實驗結果也表明了，作者這樣做確實提高的速度，並且還提高了准確率。因此，綜上所述，region proposal network是faster RCNN的精華所在，也是精度高於以及速度慢於后續YOLO和SSD算法的原因。
Train
整個Faster RCNN訓練過程可分為4步：
第一步：用在ImageNet數據集上訓練好的model初始化模型，訓練一個RPN網絡；
第二步：用在ImageNet數據集上訓練好的model初始化模型，同時用第一步中訓練好的RPN網絡生成的region proposal作為輸入，訓練一個Fast RCNN；
第三步：用第二步訓練好的Fast RCNN的網絡參數初始化RPN網絡，但是將RPN與Fast RCNN共享的網絡層的learning rate設置為0，僅微調RPN獨有的網絡層。
第四步：固定共享的網絡層，僅微調Fast RCNN所獨有的fc層
二、SSD
SSD使用VGG-16-Atrous作為基礎網絡，SSD 方法的核心就是 predict（預測） object（物體），SSD與yolo不同之處是除了在最終特征圖上做目標檢測之外，還在之前選取的5個特特征圖上進行預測。
同時，SSD算法也是三種方法中檢測速度最快的
Result
SSD模型對bounding box的size非常的敏感。也就是說，SSD對小物體目標較為敏感，在檢測小物體目標上表現較差。其實這也算情理之中，因為對於小目標而言，經過多層卷積之后，就沒剩多少信息了。
雖然提高輸入圖像的size可以提高對小目標的檢測效果，但是對於小目標檢測問題，還是有很多提升空間的，同時，積極的看，SSD 對大目標檢測效果非常好，SSD對小目標檢測效果不好，但也比YOLO要好。
三大目標檢測方法中，雖然Faster R-CNN已經出來兩年了，但它對小目標的檢測效果還是最好，SSD檢測的速度是最快的，尤其是SSD mobilenet，YOLO v3吸取了前兩者的一些優點，比Faster R-CNN快、比SSD檢測小目標准，效果中規中矩。
參考：
https://blog.csdn.net/weixin_42273095/article/details/81699352
https://blog.csdn.net/lanmengyiyu/article/details/79680022
http://3g.donews.com/News/donews_detail/3087620.html
https://www.sohu.com/a/305797817_99979179