- two-stage：以R-CNN系列为代表，这类方法通常包括两个部分，第一部分先使用selective search、卷积神经网络等筛选出一些proposal boxes，然后第二部分再对这些proposal boxes进行分类和回归。这就相当于进行了两次分类和回归，因此检测的准确率较高，但是可想而知检测的速度也就比较慢了。
- one-stage：以YOLO为代表，这类方法的主要思路就是在图片的不同位置进行密集采样，然后使用CNN网络提取特征并直接进行分类和回归，整个过程只要一步就可完成。这种方法的优势是检测速度快，但是检测的准确率却不是很高。
特点：
1. 也是一阶段的网络，即
2. SSD将每次卷积得到的特征图(feature map)都进行检测，即基于特征金字塔（Pyramidal Feature Hierarchy）的检测方式。参考
3. 一次完成目标定位与分类，但是对特征图(feature map)进行卷积来检测目标。不是YOLOV1的全连接层，会丢失很多空间的信息。
4. 引入先验框(Prior Box) 这些特征图层上面的每一个点构造6个不同尺度大小的先验框，参
5. 将所有特征图上得到的输出结合起来，最后通过NMS得到检测结果。
这是通过观察 SSD 网络结构得出的大概流程。
细节：
1. 损失函数
损失函数是 交叉熵 + Smooth L1 loss，一个分类，一个回归边框位置，参考
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/200545.html原文链接：https://javaforall.net
