目标检测之one-stage模型发展总结

基于广泛的应用场景和技术突破的基础上，在过去几年里目标检测（object detection）技术迅速发展的同时也吸引了越来越多的关注。这一领域的飞速发展有诸多因素推动其中，在其中扮演了至关重要的角色的是深度卷积神经网络技术和GPU计算能力的提升。目前大多数先进的目标检测算法都充分地利用了深度学习模型作为核心模块来提取图像特征并实现分类与定位功能。如今广泛应用于多个领域中包括多分类检测（multi-categories）、边缘检测（edge detection）、显著性目标检测（salient object detection）、姿态估计（pose estimation）、场景文本识别（scene text recognition）、人脸识别（face recognition）以及行人识别（pedestrian detection）等多个方向上

按照功能划分的话，则主要可分为两类：首先是基于两阶段的两阶段检测器体系，在这方面最著名的是Faster R-CNN系统；其次是基于单阶段的一阶段的检测技术体系，在这一类别中包含了诸如YOLO、SSD等多种代表性算法。就整体性能而言，在定位精度上两阶段体系表现更为出色，在识别准确率方面则具有明显优势；而在计算效率上一阶段体系则有着显著的优势。具体来说，在架构设计上两阶段体系需要先生成候选区域并进行预测与分类工作；而一阶段体系则是直接从候选区