作为在one-stageDetection领域中，存在两类领军级别的检测器，大部分的one-stage的检测器都或多或少能看到这两者的影子，这两个就是YOLO和SSD。

常见的目标检测算法1、传统的目标检测方法2、two-stage方法2.1RCNN2.2fastRCNN2.3fasterRCNN3、one-stage方法3.1YOLO系列（1）YOLOV1（2）YOLOV2

Difficulties）：实验结果（Results）：做出的贡献（Contributions）：未来展望（FutureWork）：写作动机（Movitation）：为了解决联合抽取中的暴露偏差的问题，首次提出了one-stage

点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童目前最先进的One-Stage目标检测器的限制是只分别处理每个图像区域，而不考虑目标之间存在的可能关系。

One-stage：YOLO系列，SSD。无筛选，速度快，适合实时，准确率一般。

Rotation-SensitiveRegressionforOrientedSceneTextDetection作者和代码caffe代码关键词文字检测、多方向、SSD、$$xywh\theta$$、one-stage

写在前面本博客将对SSD进行简单介绍，并讲解搭建SSD的pytorch目标检测平台；什么是SSD（singleshotmultiboxdetector）首先应该了解，ssd是一种one-stage的基于多框预测的目标检测方法

One-stage网络以yolo系列网络为代表,two-stage网络以faster-rcnn为代表它们的主要区别1.one-stage网络速度要快很多2.one-stage网络的准确性要比two-stage

这里写目录标题简介优缺点主要算法简介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。

这里写目录标题Two-stage目标检测算法One-stage目标检测算法SSD算法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TwoStage核心组件

文章目录Two-stageOne-stageTwo-Stage和One-Stage方法的结合One-stage和Two-stage的比较Anchor-FreeGuidedAnchoring参考链接：https

One-stage网络以yolo系列网络为代表的,two-stage网络以faster-rcnn为代表的，它们的主要区别1.one-stage网络速度要快很多2.one-stage网络的准确性要比two-stage

目标检测简单来说是将一张图片中所有需要检测的目标都用框选出来，并且附加目标的置信度。目标检测的网络可以分为两种：对于Two-stage而言，检测过程分为以下两步：①通过专门的模块生成候选框（例如FasterR-CNN所用的RegionProposalNetwork），寻找前景（要检测的目标），针对生成的anchors（基于一个中心点创建出的几种大小和长宽比的框）调整边界框；②根据第一步生成的候选框

文章目录one-stage与tow-stage评价指标YOLO算法整体思路解读YOLO-V1YOLO-V2YOLO-V3one-stage与tow-stage本篇博客主要介绍经典检测方法中的one-stage

导读：从算法处理的流程来划分，基于深度学习的目标检测算法可分为两阶段（Two-Stage）算法和一阶段（One-Stage）算法，两阶段算法需要先进行候选框的筛选，然后判断候选框是否框中了待检测目标，并对目标的位置进行修正

而one-stage算法直接通过主干网络计算候选目标的类别和位置信

介绍该论文在YOLOv3的基础上增加embedding学习，通过同时输出box、class和embedding实现One-stage跟踪，提高速度。

缺点：one-stage单阶段：YOLO系列直接选出结果one-stage优点：速度快！（可以基于视频去做、做实时的，最高200FPS（每秒最快200帧）），可以控制网络的复杂度；mAP值高m

目前基于深度学习的目标检测算法主要分为两类，分别是one-stage和two-stage，其中，two-stage算法典型算法有R-CNN，先通过启发式方法或者CNN网络产生一系列稀疏的候选框，然后对这些候选框进行分类与回归

在目标检测这类视觉任务中，目前的处理方式分为two-stage和one-stage，one-stage中代表就是yolo和ssd。yolo去年5月时候就跟学长一起了解过，而关于ssd的内容却所知不多。

摘要：介绍背景，提出Fcos模型和性能我们提出了一种全卷积的单阶段目标检测器FCOS，以逐像素的方式解决目标检测问题，类似于语义分割。几乎所有的sota目标检测器，如：RetinaNet、SSD、YOLOv3、FasterR-CNN都依赖于预定义的anchorboxes，而我们的FCOS是anchorboxfree的，而且是proposalfree的。通过消除预定义的anchorboxes集，FC

3.2.本篇文章将解释，为啥One-stage的精度没有

点击查看原文：《FocalLossforDenseObjectDetection》目标检测分为one-stage和two-stage的方法，two-stage的代表网络之一FasterR-CNN准确率较高

one-stage检测器作用于规则的、稠密采样的目标坐标，更快

AI科技评论按：本文作者Ronald，首发于作者的知乎专栏「炼丹师备忘录」，AI科技评论获其授权转发。目前目标检测领域的深度学习方法主要分为两类：twostage的目标检测算法；onestage的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。正是由于两种方法的差异，在性能上也有不同，前者在检

初衷：他想让one-stage检测算法达到two-stage的准确度，同时不影响原有速度。为什么一阶段不如二阶段准确？，作者认为是样本类别不均衡导致的。在样本集中简单负样本太多，占据了Lo

Two-stage方法：如R-CNN系列算法，主要思路就是通过SelectiveSearch或者CNN网络产生一系列的稀疏矩阵的候选区域，然后对这些候选区域进行分类和回归，two-stage的方法优势在于准确率度高；One-stage

1.总述Focalloss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。

这种情况造成了One-Stage目标检测方法的正负样本不平衡。如下图所示，红色的先验框都没有匹配到目标，所以它们都属于负样本，只是图中间的黄色先验框匹配到目标，所以它们是正样本。

Retinanet的论文：FocalLossforDenseObjectDetection论文2017年发表在CVPR(computervisionandpatternrecongnition),该论文提出来后one-stage

是何凯明大神提出的一种网络，该网络结构采用FPN网络的结构(请参考博客FPN网络原理解析)，其主要创新点在于提出了一个新的损失函数FocalLoss(请参考博客FocalLoss损失函数详解)，主要用于解决one-stage

RossGirshick,KaimingHe,andPiotrDollar机构FacebookAIResearch(FAIR)领域目标检测（objectdetection）简介使用FocalLoss解决样本不均衡问题，让one-stage

途中上面一条路径表示two-stage的方法，下面一条路径表示one-stage的方法。这样一个框架同样适用于传统的目标

工程应用中，检测算法以one-stage算法yolo系列等为主，因为one-stage通常来说速度快，可以完成良好的实时检测。

YOLO的全称是youonlylookonce，指只通过one-stage的方式需要“浏览一次”就可以识别出图中的物体的类别和位置。

文章目录前言背景及总览1.SSD：惊人的速度2.FasterRCNN（Twostage）VSSSD（One-stage）3.SSD的改进及效果：一、网络架构组成1.1组成1.2预测1.3Multilayer1.4

文章目录Two-stage基本介绍Two-stage常用算法Two-stage核心组件One-stage基本介绍One-stage基本流程One-stage常用算法One-stage核心组件One-stage

文章目录SSD算法简介One-stage简介SSD算法原理简介SSD优化算法SSD算法简介刘伟2016ECCV提出来的作用于不同尺度上面的目标检测算法直接回归作用于目标位置与类别One-stage简介SSD

本文中，作者将HOI检测重新表述为一个自适应集预测问题，利用这个新的公式，论文提出了一个基于自适应集的one-stage框架（AS-Net），该框架具有并行实例和交互分支。

前言 YOLO模型思想简述：YOLO(YouOnlyLookOnce)是属于目标检测中的one-stage方法，主要的思想是通过将原始的图像划分为ppp×\times×ppp大小的网格grid，每个网格假设为目标的中心

GoogLeNetInception块GoogLeNet模型总介绍实践目标检测目标检测位置信息的两种格式：常用的开源数据集常用的评价指标IOUmAPNMS（非极大值抑制）目标检测方法分类two-stage的算法One-stage

在目标检测领域，作为一个one-stage网络，它首次超过了当时流行的two-stage模型。

YOLOV1论文要点总结写在前面YOLO作为目标检测领域重要one-stage的模型，从提出之初就受到广泛关注，现在基于YOLO的version层出不穷。

正如它的名字，这是一个在目标检测领域重要的全卷积+one-stage模型，更重要的是它还摒弃了anchors，原因是作者认为anchors会带给模型样本不均衡和计算开销增加等问题。

论文：https://arxiv.org/abs/2207.02255论文中文版：https://dengpingfan.github.io/papers/%5B2022%5D%5BECCV%5DOSFormer_Chinese.pdf代码：https://github.com/PJLallen/OSFormer1、Motivation伪装物体检测最近比较火，也非常有趣，具体可以参考程明明老师的知

（LST）2.3粗细特征融合（CFF）2.4动态伪装实例归一化2.5损失函数3.可视化分析参考前言OSFormer是华科发表在ECCV2022的一篇伪装实例分割的文章，提出了一种新的位置感知的一段式（one-stage

论文地址：https://arxiv.org/abs/1512.02325发现的很好的记录目标检测发展的博主的链接：ObjectDetection-handong1587SSD是属于经典的One-Stage

本文回顾了one-stage检测器的特征金字塔网络(FPN)，指出FPN的成功在于对目标检测中的优化问题采取了divide-and-conquer的解决方案，而不是多尺度特征融合。

background任务：改变目标检测中边框的提供方法，降低计算量关键词：FeaturePyramid，Center-ness，Multi-levelPredictionwithFPNforFCOSIntroduction以fasterrcnn为例，基于anchorboxes产生预测框，然后做回归任务，但为了增大iou，选择了生成大量的预测框，其中大部分是无效的，过多的无效边框只会增大算力的负担，

CornerNet-Lite论文笔记与代码复现（一）Title（二）背景知识：Conernet1、Idea当今的目标检测算法大多都是基于深度学习模型的，大致可以分为两大门派，一个叫做One-Stage系列