一级与两级物体检测

Question

我正在阅读YOLOv4论文，该论文经常使用术语“一级和二级目标检测”。我无法理解这两种类型的物体探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？

Answer 1

它不是“区域检测+对象分类”，而是“（1）区域提议+（2）两级检测器中的分类和定位”。

\n

（1-regionproposal）是通过所谓的RegionProposalNetwork（简称RPN）来完成的。RPN用于决定\xe2\x80\x9c在哪里\xe2\x80\x9d查找，以减少整个推理过程的计算要求。RPN 快速高效地扫描每个位置，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 个边界框建议来实现这一点，每个建议都有 2 个分数，表示每个位置存在或不存在对象的概率。换句话说，它用于查找最多预定义数量（~2000）的区域（边界框），其中可能包含对象。

\n

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。RPN 中的可变长度问题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。对于每个锚点，我们要求：

\n

\n
• 该锚点是否包含相关对象？
\n
• 我们如何调整这个锚点以更好地适应相关对象？
\n

\n

在获得可能的相关对象及其在原始图像中的位置的列表后，它就成为一个更容易解决的问题。使用 CNN 提取的特征和相关对象的边界框，我们应用感兴趣区域 (RoI) 池化，并将与相关对象相对应的特征提取到新的张量中。

\n

接下来在第二阶段，R-CNN 模块使用上述信息来：

\n

\n
• 对边界框中的内容进行分类（或丢弃它，使用\n\xe2\x80\x9cbackground\xe2\x80\x9d 作为标签）。
\n
• 调整边界框坐标（使其更好地适合对象）。
\n

\n

Answer 2

一级探测器：

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

两级探测器：

1. 生成区域提议，例如通过选择性搜索（如 R-CNN 和 Fast R-CNN），或通过区域提议网络（RPN）（如 Faster R-CNN）。
2. 每个区域提案的对象分类。此外还可以做其他事情，例如用于细化区域建议的边界框回归、二进制掩模预测等。

两级检测器通常可以达到更好的精度，但比一级检测器慢。

（图片取自《On the Performance of One-Stage Object Detectors in Autonomous Vehicles using Camera Data》）