两阶段(2-stage)检测模型 两阶段模型因其对图片的两阶段处理得名，也称为基于区域(Region-based)的方法，这里选取R-cNN系列 工作作为这一类型的代表。 R-CNN: R-CNN系列的开山之作；贡献--1)CNN可用于基于区域的定位和分割物体2)监督训练样本数紧 缺时，在额外的数据上预训练的模型经过fine-tuningi可以取得很好的效果。 Fast R-CNWN:共享卷积运算；贡献--本文指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的 ,没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算。 Faster R-CNN:两阶段模型的深度化；贡献---提出的RPN网络取代Selective Search算法使得检测任务可 以由神经网络端到端地完成，使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用( YOLO v2等)。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。 一阶段(1-stage)检测模型： 单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。 YOL0:单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图 片同时得到位置和分类而得名。 SSD:单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速 度。后续的单阶段模型工作大多基于SSD改进展开。 6
两阶段（2-stage）检测模型： 两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，这里选取R-CNN系列 工作作为这一类型的代表。 R-CNN: R-CNN系列的开山之作； 贡献---1）CNN可用于基于区域的定位和分割物体 2）监督训练样本数紧 缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果。 Fast R-CNN: 共享卷积运算；贡献--- 本文指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的 ，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算。 Faster R-CNN: 两阶段模型的深度化；贡献---提出的RPN网络取代Selective Search算法使得检测任务可 以由神经网络端到端地完成，使用滑动窗口生成anchor box的思想也在后来的工作中越来越多地被采用（ YOLO v2等）。这项工作奠定了"RPN+RCNN"的两阶段方法元结构，影响了大部分后续工作。 一阶段（1-stage）检测模型： 单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。 YOLO：单阶段方法的开山之作。它将检测任务表述成一个统一的、端到端的回归问题，并且以只处理一次图 片同时得到位置和分类而得名。 SSD：单阶段模型早期的集大成者，达到跟接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速 度。后续的单阶段模型工作大多基于SSD改进展开。 6
算法思想 R T
算法思想