1樓：forest
個人理解，一階段方法提出的主要意義在於速度快，所以解析度比二階段方法低是必然，如果放棄了速度，談準確率，二階段方法做的精細一些。
2樓：KevenLee
如果是用AP來衡量的效能，在 backbone 一致，fpn 之類都用的情況下，那大體上會是 one-stage 要弱於 two-stage，但這也不能絕對。如果用了很多 tricks 的 one-stage，比如現在紅紅火火的 yolov4，那是detection tricks的大整合， 其效果並不會太差。但，很多 one-stage 用的 tricks 總體上也是可以在 two-stage 上應用的。
so, 個人覺得，one-stage 和 two-stage 的比較，拋開 tricks 不說，很大乙個原因是因為所謂的特徵不對齊，refineDet 在一定程度縮小了這個差距，AlignDet 進一步提出了解決這個問題的方法，效果都是不錯的，另外，one-stage 訓練過程中，其樣本不平衡問題要比 two-stage 的要嚴重一些，這也可能是導致 AP 稍差的原因。再說到 fps 的問題，個人覺得，two-stage 的 detect head 是拖累 fps 的乙個重要因素，採用 light detect head 可以縮小 two-stage 和 one-stage 在 fps 上的差距，另外，在 RCNN 階段，每個 ROI 都要過一遍，這個肯定要比 one-stage 慢，減少這個階段的 ROI 數量，fps 應該也可以提速，效果嘛，嘿嘿。
3樓：rootkitchao
one-stage物體檢測框架總體效能針的低於two-stage框架麼？
這個對比本身就不嚴謹，沒有限制條件(計算量/執行速度/記憶體，backbone是否一致，或者乾脆是同一硬體條件下能做到的最高準確度？）
對比兩個典型的檢測器：SSD和Faster RCNN，發表時間都在2023年，SSD的效能並不差。
原版SSD VS 原版Faster RCNN，backbone是VGG
如果沒記錯的話這個說法最初是在Focal Loss那篇文章裡提出來的，可是那篇文章本身寫的就是換上Focal Loss之後SSD的準確度不輸Faster RCNN。
Focal Loss對SSD的提公升很明顯，這張表裡Faster RCNN資料有誤
考慮到後來的研究中各種各樣的tricks漲點還有各種NAS、資料增強的影響很多，這裡只對比RetinaNet（one-stage）和Faster RCNN/Mask RCNN（two-stage），資料來自detectron2提供的Model Zoo進行對比(儘量減少影響因素)。環境：8 NVIDIA V100 GPUs & NVLink，PyTorch 1.
3, CUDA 9.2, cuDNN 7.4.
2 or 7.6.3，train batch_size=16
看上去在detectron2 model zoo中2階段檢測器的box AP比用上了Focal Loss的一階段檢測器依然有優勢，但是這裡還有乙個細節：輸入解析度不一樣，RetinaNet的輸入解析度是640*640，detectron2中的Faster RCNN/Mask RCNN是1333*800，這帶來了額外的優勢(對MSCOCO中的小目標會特別明顯），而兩階段檢測器的推理速度則慢了好幾倍。
NAS-FPN VS FPN VS MASK-RCNN
NAS-FPN一文中的對比更加直觀，在輸入解析度接近的情況下(1024*1024 VS 1280*800），相同backbone的情況下RetinaNet(圖中標註為FPN）的準確度甚至比Mask RCNN更高一些。
EfficientDet
至於MSCOCO上刷點，很大程度上不是單階段/雙階段的問題，而是能不能找到有效的tricks，用NAS找到更適合目標檢測的backbone/head。這些都用上了的EfficientDet也能摸到50以上的mAP。
所以應該認為，」one-stage物體檢測框架總體效能低於two-stage框架「這個命題本身不成立
4樓：托比昂
本人菜雞，只能用現階段知識儲備回答一波，下文中主要用到faster rcnn和SSD兩個經典演算法在voc資料集上進行說明。
faster rcnn首先使用RPN去提取2000個目標候選框，然後使用第二階段的box head完成目標探測。首先看RPN，講道理RPN幹的事情和SSD本質上沒啥太大區別，但是RPN的任務會更簡單一些，因為它不區分類別，RPN把所有物體類別都當成一類，但是SSD需要區分20種不同的目標類別，RPN和SSD在訓練過程中同樣面對正負錨框不平衡問題，但是由於不用區分類別，顯然RPN的訓練會比SSD更加簡單一些。說完第一階段再來看第二階段，有了RPN提供的2000個錨框，box head的訓練也會更加的容易，畢竟把大部分的負樣本過濾掉了，因此綜上所述，faster rcnn通過把任務拆分成兩個階段，使得每個階段做的事情都會比SSD直接一步完成要簡單很多，因此效能也會更好一些。
one stage目標檢測演算法中,淺層特徵圖檢測小目標，為什麼不同時也檢測大目標？
YaqiLYU 問 淺層特徵圖檢測小目標，為什麼不同時也檢測大目標？答 簡單來說就是感受野不夠。只有特徵圖的感受野大於目標大小時才能正確檢測，不然就是瞎猜為主，一般要兼顧該層特徵圖的stride和感受野receptive field設定anchor，保證感受野大於anchor，感受野越大越好。就這樣...
One Stage目標檢測演算法可以直接回歸目標的座標是什麼原理？
我談談我淺顯的理解，以retinanet回歸為例。onestage的回歸任務我認為可以當作是一種打分。卷積的過程就是卷積核以一定的步長滑動，以乙個固定大小的感受野感受物體的不同位置並打分。最後經過f scores 得到最後邊框的回歸值。感受野正好覆蓋待檢測物體時，得分會高，覆蓋部分待檢測物體或者是不...
抗體檢測，核酸檢測，各自優缺點是啥，檢測病毒時誰的綜合性能更強？
學技巧 抗體檢測儘管有便捷 快速的優勢，但目前還不可能替代核酸檢測。如何將病毒抗體 抗原 檢測方法與病毒核酸檢測方法聯合應用，發揮各自優勢，急需進行評價和驗證。目前針對新型冠狀病毒檢測試劑分成兩類，一類是對病毒的直接檢測，一類是間接檢測。直接檢測就是目前實驗室廣泛應用的針對病毒的核酸檢測，檢測新型冠...