0
点赞
收藏
分享

微信扫一扫

One-Stage与Two-Stage的比较

凶猛的小白兔 2022-04-19 阅读 76
深度学习

这里写目录标题

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。

  • One-Stage
        主要思路:直接通过卷积神经网络提取特征,预测目标的分类与定位;
  • Two-Stage
        主要思路:先进行区域生成,即生成候选区域(Region Proposal),在通过卷积神经网络预测目标的分类与定位;
        在这里插入图片描述

优缺点

优缺点One-StageTwo-Stage
优点速度快;避免背景错误产生false positives; 学到物体的泛化特征精度高(定位、检出率);Anchor机制;共享计算量
缺点精度低(定位、检出率);小物体的检测效果不好速度慢;训练时间长;误报相对高

主要算法

One-Stage:YOLO系列(v1-v5),SSD系列(R-SSD、DSSD、FSSD等),Retina-Net,DetectNet,SqueezeDet。

Two-Stage:RCNN系列(Fast-RCNN、Faster-RCNN、Mask-RCNN),SPPNet,R-FCN。

目前为止,在One-Stage方面,自己感觉应用最多的是YOLO系列,每个版本出现后都会引起围观,SSD系列应用相对较少。在Two-Stage方面,RCNN系列中的鼻祖RCNN基本已经没有人用了,SPPNet用的人也很少了,Faster-RCNN和Mask-RCNN应用相对较多。
————————————————

举报

相关推荐

0 条评论