基于两阶段的目标检测里程碑算法之RCNN、SPP Net、Fast RCNN、Faster RCNN及FPN

在先前的博客中，我依据三篇有关目标检测的综述文献，阐述了对视觉目标检测领域的整体理解，涵盖其发展脉络、算法实现流程、从传统检测方法向深度学习方法过渡过程中的技术挑战、评估标准以及常用数据集。本文将按照RCNN→SPP Net→Fast RCNN→Faster RCNN→FPN→Mask RCNN→Cascade RCNN 的顺序，依次梳理two-stage目标检测算法的演进与优化之处。这类two-stage的目标检测方法通常依赖于一个卷积神经网络来完成整个检测任务，在训练过程中被划分为两个阶段：第一阶段是通过启发式策略（如selective search）或基于CNN的区域建议网络（RPN）生成候选区域（Region Proposal）；第二阶段则是在这些候选区域上进行分类与位置回归的网络训练，即需经历两个步骤才能最终获得目标检测结果。以下将逐一分析各个算法的核心内容。

Two-stage里程碑算法设计与实现

• 基于区域的卷积神经网络
  • 具备空间金字塔池化的网络结构
  • 快速区域卷积神经网络
  • 更高效的区域卷积神经网络
  • 特征金字塔网络
  • 带掩码的区域卷积神经网络
  • 级联区域卷积神经网络
  • 综述

RCNN

2013年，Ross Girshick等人提出了[《Rich