one-stage：yolov1、yolov2、yolov3、ssd、retinanet（2分）
two-stage：fast r-cnn、faster r-cnn（2分）
two-stage檢測演算法的共性，以faster r-cnn為例，使用了複雜的網路用於每個候選區域的分類和回歸；roi pooling後的feature channels數目較大，導致記憶體消耗和計算量都比較大。
one-stage檢測演算法的共性，從網路結構上看只是多分類的rpn網路，相當於faster rcnn的第一階段，因此one-stage主要的優勢是速度快。其**結果是從feature map回歸出目標的位置及分類，有的也採用了anchor的概念。而two-stage對上述結果進行roi pooling後會進一步細化，因此two-stage演算法檢測精度一般相對較高。還有一種觀點是，two-stage的rpn部分相當於做了正負樣本均衡，這也是two-stage檢測效果相對較好的乙個原因。one-stage演算法對小目標檢測效果較差，如果所有的anchor都沒有覆蓋到這個目標，那麼這個目標就會漏檢。如果乙個比較大的anchor覆蓋了這個目標，那麼較大的感受野會弱化目標的真實特徵，得分也不會高。two-stage演算法中的roi pooling會對目標做resize, 小目標的特徵被放大，其特徵輪廓也更為清晰，因此檢測也更為準確。
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標檢測入門 目標檢測基本概念
目標檢測關注影象中特定的物體目標，要求同時獲得這一目標的類別資訊和位置資訊。檢測給出的是對前景和背景的理解，需要從背景中分離出感興趣的目標，並確定這一目標的描述 類別和位置，常用檢測框表示 與影象分類的區別，目標檢測更具難度 影象分類只需要判斷輸入的影象中是否包含感興趣物體，而不需要定位具體位置 如...