目标检测学习笔记（One-stage和Two-stage）

注：本博客作为学习内容汇总，如有问题，请联系作者修改！

目标检测

1. 基本概念

1.1 什么是目标检测？

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

计算机视觉中关于图像识别有四大类任务：

分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。

定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。

检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。

分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。

1.2 目标检测要解决的核心问题？

除了图像分类之外，目标检测要解决的核心问题是：

1.目标可能出现在图像的任何位置。

2.目标有各种不同的大小。

3.目标可能有各种不同的形状。

1.3 目标检测算法分类？

基于深度学习的目标检测算法主要分为两类：

1.Two stage目标检测算法（分类+回归）

​ 先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。

​ 任务：特征提取—>生成RP—>分类/定位回归。

​ 常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。

2.One stage目标检测算法（回归）

​ 不用RP，直接在网络中提取特征来预测物体分类和位置。

​ 任务：特征提取—>分类/定位回归。

​ 常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD、RetinaNet、YOLOv4、YOLOv5和YOLOX等。

2. 两步法：Two stage

两步法，简单地说：

第一步通过先获取候选区域（region proposals）
第二步：对候选区域进行结果分类和调整候选框位置。

优点：主要是检测的精度较一步法高。

缺点：实时性较一步法差。

详细讲解：
学习链接https://blog.csdn.net/frighting_ing/article/details/121218787?spm=1001.2014.3001.5501

3. 一步法：One stage

将检测问题当成完全的回归处理，直接从网络中提取特征来预测物体的分类和位置。

优点：可以满足实时性要求，实用性较高
缺点：精度相比两步法较差，但效果也相对不错

重点学习：Yolo系列，SSD系列

Yolov系列学习链接：
学习链接1
学习链接2

SSD系列
学习链接1
学习链接2

总结

我学习的过程中会不断更新该系列，将一些优质的博客整理到此，帮助大家更好的学习，也督促自己学习！