目标检测算法对比, rcnn, fast-rcnn, faster-rcnn, yolo2, yolo3

RCNN
　　1. 在图像中确定约1000-2000个候选框 (使用选择性搜索,selective search等)
　　2. 每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取 
　　3. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类 
　　4. 对于属于某一特征的候选框，用回归器进一步调整其位置

Fast RCNN
　　1. 在图像中确定约1000-2000个候选框 (使用选择性搜索,selective search等)
　　2. 对整张图片输进CNN，得到feature map
　　3. 找到每个候选框在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
　　4. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类 
　　5. 对于属于某一特征的候选框，用回归器进一步调整其位置

Faster RCNN
　　1. 对整张图片输进CNN，得到feature map
　　2. 卷积特征输入到RPN，得到候选框的特征信息
　　3. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类 
　　4. 对于属于某一特征的候选框，用回归器进一步调整其位置

yolo1:
    1、把图片分成SxS个网格（grid cell）
    2、每个网格负责检测“一个”框和类别
    3、经过概率(softmax)和NMS过滤，得到最终结果

yolo2:
    1）增加Batch Normalization层 （mAP+2%）
    2）使用高分辨率的分类器（mAP+4%）
    3）使用Anchor的思想 （mAP-0.3%）,Recall从81%增加到88%,重点
    4）K-means聚类获取Anchor框 +直接预测位置 （mAP+5%）,重点
    5）细粒度的特征（mAP+1%）,重点
    6）多尺度训练（mAP+1%）

 

yolo3~=yolo2+darknet53+fpn+sigmoid_class_prediction
 

参考：

论文：Fast R-CNN

论文：Faster R-CNN- Towards Real-Time Object Detection with Region Proposal Networks

论文：You Only Look Once- Unified, Real-Time Object Detection

https://towardsdatascience.com/training-object-detection-yolov2-from-scratch-using-cyclic-learning-rates-b3364f7e4755

论文：YOLOv3: An Incremental Improvement