在基于深度学习算法的目标检测算法主要分两类：One-Stage与Two-Stage。One-Stage与Two-Stage是两种不同的思路，其各有各的优缺点，本文做一个简单的讲述。
1、思路简述
One-Stage
主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；
Two-Stage
主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位；
2、优缺点
| 优缺点 | One-Stage | Two-Stage |
|---|---|---|
| 优点 | 速度快；避免背景错误产生false positives； 学到物体的泛化特征 | 精度高(定位、检出率)；Anchor机制；共享计算量 |
| 缺点 | 精度低(定位、检出率)；小物体的检测效果不好 | 速度慢；训练时间长；误报相对高 |
从目前看，在移动端一般使用 One-Stage算法。现在很难说，精度和准确率的问题，因为影响因素不仅仅取决于算法，还跟数据集大小、图像标注质量、训练参数等有很大的关系。
3、主要算法
One-Stage：YOLO系列（v1-v5），SSD系列（R-SSD、DSSD、FSSD等），Retina-Net，DetectNet，SqueezeDet。
Two-Stage：RCNN系列（Fast-RCNN、Faster-RCNN、Mask-RCNN），SPPNet，R-FCN。
目前为止，在One-Stage方面，自己感觉应用最多的是YOLO系列，每个版本出现后都会引起围观，SSD系列应用相对较少。在Two-Stage方面，RCNN系列中的鼻祖RCNN基本已经没有人用了，SPPNet用的人也很少了，Faster-RCNN和Mask-RCNN应用相对较多。
版权声明：本文为CSDN博主「gz7seven」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/guzhao9901/article/details/120669281
暂无评论