【转】深度学习目标检测的整体架构描述（one-stage/two-stage/multi-stage）

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/JNingWei/article/details/80039079

Introduction

Detection主要分为以下三个支系：

-	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
检测精度	较低	较高	极低
检测速度	较快	较慢	极慢
鼻祖	YOLOv1	Fast R-CNN	R-CNN
状态			已淘汰

Detection算法的几个task

1. 对于不需要预生成RP的Detection算法而言，算法只需要完成三个任务：

   • 特征抽取
   • 分类
   • 定位回归

2. 对于有预生成RP的Detection算法而言，算法要完成的主要有四个任务：

   • 特征抽取
   • 生成RP
   • 分类
   • 定位回归

Detection算法的框架套路

multi-stage 算法

最早期的检测算法 (主要为R-CNN、SPPNet) 都属于multi-stage系。这个时候的Selective Serach、Feature extraction、location regressor、cls SVM是分成多个stage来各自单独train的。故谓之曰“multi-stage”：

two-stage 算法

到了Fast R-CNN的时候，Feature extraction、location regressor、cls SVM都被整合到了一个network里面，可以实现这三个task一起train了。由于生成RP的task还需要另外train，故谓之曰“two-stage”：

到了Faster R-CNN中，虽然RPN的出现使得四个task可以一起被train，但是依然被归类为“two-stage”。（这个地方我也不是很理解。）

one-stage 算法

在YOLOv1中，“生成RP”这一任务被直接丢弃了。因此，整个算法只剩下了一个stage，故谓之曰“one-stage”：

---

[1] 检测任务专题2: two-stage检测
[2] Object Detection–RCNN,SPPNet,Fast RCNN，FasterRCNN论文详解