two stage流程如下：
整體流程介紹：
1）.用主幹網路（如vgg網路等），對原進行特徵提取處理，對應流程圖中的input->conv_pooling以及中的conv layers立方體塊（因為主幹網路是多層的conv與pooling層的結合），生成feature map特徵圖。
2）.通過rpn網路，對主幹網路處理生成的feature map進行處理，對應conv->roi_pooling和conv->proposal->roi_pooling過程，在這裡有些類似於傳統演算法中的滑窗遍歷尋找物體檢測框的步驟，運用了anchors的方法，在feature map上的點的不同尺度進行正負樣本判斷，然後將找到的物體檢測框進行縮放，送到下一層進行類別判斷。
3）.最後通過dnn全連線神經網路，對應fc->lcls和fc->lreg這一步，進行類別的判斷和物體檢測框的調整。
two stage相比於one stage的優點是識別準確率高，但是速度會下降很多。最主要的區別在於rpn的使用，rpn提高了識別準確率，卻付出了時間的代價。
目標檢測方法復現
輸入以下 進行除錯 python3 keras retinanet bin train.py csv keras retinanet csv train annotations.csv keras retinanet csv classes.csv 報以下錯誤1 fatal error python...
目標檢測方法效果小結
1.r cnn 使用selective search方法先產生region proposals，再使用淺層cnn網路進行特徵提取，最後使用svm進行分類。這篇 裡提及的乙個點，就是關於bbox的回歸方法。由於使用selective search方法提取的每乙個region都進行一次前向卷積操作，因此...
目標檢測方法效果小結
使用selective search方法先產生region proposals，再使用淺層cnn網路進行特徵提取，最後使用svm進行分類。這篇 裡提及的乙個點，就是關於bbox的回歸方法。由於使用selective search方法提取的每乙個region都進行一次前向卷積操作，因此r cnn方法非...