• Two-stage（Faster RCNN系列）
• One-stage（YOLO和SSD系列）

1. Two-stage基本介绍

• CNN卷积特征
• R.Girshick et al.,2014年提出R-CNN到Faster RCNN
• 端到端的目标检测（RPN网络）
• 准确度高、速度相较于one-stage慢

1.1 基本流程

1.2 核心组件

1.2.1 CNN卷积神经网络

一般CNN设计原则：

• 一是从简到繁再到简的卷积神经网络。最开始的卷积神经网络是比较简单的，最经典的是Lenet，但是它的性能就相对较差，在大规模的任务中就会到达瓶颈，在网络中的表达能力就相对弱一些。之后又提出了Alexnet，VGGnet，Resnet，Goolenet，Densenet等等一些复杂的网络。这些网络发展主要是分为两个方向，一是增加网络的深度，尽可能的去增加网络深度，因为网络越深，它的非线性表达能力越强，在现实生活中，我们遇到的问题一般都是非线性的，因此这样可以得到物体更抽象的表达，而且网络越深，它对于图像 最初的一些变化更加不敏感，即鲁棒性更好，但是这样会出现两种问题，增加网络的规模，也会导致梯度消失或者说是梯度弥散的问题。二是增加网络的宽度，通过加大网络的宽度来增强网络的表达能力，比较有代表性的就是谷歌提出来的一系列 Inception 结构。
• 更轻量级的CNN网络。之后在设计网络时考虑性能和网络模型大小的平衡，其中比较具有代表性的就包括了Mobilenet，ShuffleNet等。
• 多尺度融合网络。通过融合不同尺度下的特征来提高网络的表达能力。

1.2.2 RPN 网络

• 区域推荐（Anchor机制）
  
• ROI Pooling
  输入：特征图、rois以及ROI参数； 输出：固定尺寸的的feature map
• 分类和回归

1.3 改进方向

1. 更好的网络特征；
2. 更精准的RPN；
3. 更完善对的ROI分类
4. 样本后处理
5. 更大的mini-Batch

2. Two-stage 常见算法