一级与两级目标检测答案

【问题标题】：One stage vs two stage object detection一级与两级目标检测
【发布时间】：2021-01-28 17:43:30
【问题描述】：

我正在阅读YOLOv4 论文，该论文经常使用术语one & two stage object detection。我无法理解这两种类型的物体检测器之间有什么区别。我假设

一个阶段仅使用一个网络同时进行区域检测和对象分类
两个阶段使用 2 个不同的网络执行上述操作

这个假设正确吗？

【问题讨论】：

标签： machine-learning computer-vision artificial-intelligence object-detection yolo

【解决方案1】：

它不是“区域检测+对象分类”，而是“（1）区域提议+（2）两阶段检测器中的分类和定位。

（1-region proposal）是由一个叫做 Region Proposal Network（RPN，简称 RPN）的网络完成的。 RPN 用于决定“在哪里”寻找，以减少整个推理过程的计算需求。 RPN 快速有效地扫描每个位置，以评估是否需要在给定区域进行进一步处理。它通过输出 k 个边界框建议来做到这一点，每个建议都有 2 个分数，表示每个位置是否存在对象的概率。换句话说，它用于查找最多可包含对象的预定义数量（~2000）的区域（边界框）。

对象检测中的一个重要问题是生成可变长度的边界框列表。可变长度问题在 RPN 中通过使用锚点来解决：固定大小的参考边界框均匀地放置在整个原始图像中。我们不必检测对象在哪里，而是将问题建模为两部分。对于每个主播，我们要求：

此锚点是否包含相关对象？
我们将如何调整此锚点以更好地适应相关对象？

在获得可能的相关对象列表及其在原始图像中的位置之后，解决问题就变得更加直接。使用 CNN 提取的特征和具有相关对象的边界框，我们应用感兴趣区域 (RoI) 池化并将与相关对象对应的那些特征提取到新的张量中。

接下来在第二阶段，R-CNN 模块使用上述信息：

对边界框中的内容进行分类（或丢弃它，使用 “背景”作为标签）。
调整边界框坐标（使其更适合对象）。

【讨论】：

【解决方案2】：

一级检测器：

对象分类和边界框回归直接完成，无需使用预先生成的区域提议（候选对象边界框）。

两级检测器：

区域建议的生成，例如通过 R-CNN 和 Fast R-CNN 中的选择性搜索，或 Faster R-CNN 中的区域建议网络 (RPN)。
每个区域提议的对象分类。此外，还可以做其他事情，例如用于优化区域建议的边界框回归、二进制掩码预测等。

两级检测器通常能达到更好的准确度，但比一级检测器慢。

（图片取自《On the Performance of One-Station and Two-Stage Object Detectors in Autonomous Vehicle Using Camera Data》）

【讨论】：