One-stage和Two-stage算法介绍

Two-stage 目标检测算法

roi-pooling层类似抠图操作
(x,y,w,h)表示目标最终算法
Two Stage核心组件:
主干网络设计原则:
从简单到复杂再到简单的卷积神经网
多尺度特征融合的网络
更轻量级的CNN网络
RPN网络:
区域推荐方法(Anchor机制)
ROI pooling（抠图，然后把特征图固定到同样大小）
输入:特征图、rois(1×5×1×1)：I,x,y,w,h(I代表在当前batch中的第几个（索引）)、ROI参数
输出：固定尺寸的特征图
Two-stage改进的研究方向：
更好的网络特征，
更精准的RPN，
更完善的ROI分类
样本后处理
更大的mini-batch

One-stage目标检测算法

使用CNN特征
直接回归物体类别和坐标
准确度低，速度快

常见算法：Yolo、SSD/DSSD、Retina-Net
One-stage核心组件回归网络：
区域回归（置信度、位置、类别）
Anchor机制（SSD）

SSD算法

直接回归目标类别和位置
不同尺度的特征图上进行预测
端到端的训练
图像的分辨率比较低，也能保证检测的精度
主干网络：VGG-net，将最后两个FC层去掉，增加4个卷积层。
多尺度Feature Map预测
Default bounding boxes的类别分数、偏移量
Prior box layer: