one stage 檢測演算法

R-CNN:

使用selective search方法先產生region proposals，再使用淺層CNN網路進行特徵提取，最後使用svm進行分類。這篇論文裡提及的一個點，就是關於bbox的迴歸方法。由於使用selective search方法提取的每一個region都進行一次前向卷積操作，因此R-CNN方法非常耗時，不適於實際檢測使用。

SPP-Net:

針對R-CNN多次使用CNN提取特徵，有重複計算的弊端，SPP-Net提出的方法是，在原圖上只提取一次特徵，然後採用對映的方式，找到region在feature map上的對映區域，再將該區域送到分類器(SPP-Net使用的依然是svm)中進行訓練。另外，SPP-Net所設計的網路架構(SPP)可以處理任意尺寸的輸入圖片，而不需要像R-CNN那樣，需要事先對region進行crop/warp操作。

結果顯示，由於提取特徵時可以共享特徵，該方法相較於R-CNN，繼降低了耗時，也提升了檢測精度。

YOLO

YOLO2

SSD

檢測速度最快。

RetinaNet

綜合性能最佳。

two stage 檢測演算法

Fast R-CNN:

這篇文章綜合考慮了R-CNN和SPP-Net的優缺點，網路設計了一種ROI Pooling Layer（其實就是1個level的SPP）。這篇文章主要的共享是，將bbox迴歸和cls迴歸放在一起處理。

Faster R-CNN

提出了RPN網路，能夠自己學習產生region proposals。實際上就是RPN+Fast R-CNN。

Mask R-CNN

效果對比

YOLO & YOLOv2

（1）邊框定位不夠精準，尤其是小目標

（2）目標檢出率低，尤其是小目標

（3）誤報少

（4）耗時少

SSD

（1）邊框定位準

（2）目標檢出率高

（3）誤報相較YOLO多

（4）耗時多

faster- rcnn

（1）邊框定位準

（2）目標檢測率高

（3）耗時高

（4）訓練時間長

（5）誤報相較YOLO高