深度学习在目标检测(Object Detection)中的应用，总结一些常见网络和方法。
本文主要总结介绍R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD。
目标检测常见算法
在目标检测领域的深度学习主要分为两种，one stage 和 two stage。在之前还有以R-CNN为代表的multi-stage，但是由于检测精度和速度问题，已经被淘汰。这里用表格总结两类算法特点如下：
| one-stage | two-stage | |
|---|---|---|
| 主要算法 | YOLOv1、SSD、YOLOv2、RetinaNet、YOLOv3 | Fast R-CNN、Faster R-CNN |
| 检测精度 | 较低 | 较高 |
| 检测速度 | 较快 | 较慢 |
| 鼻祖 | YOLOv1 | Fast R-CNN |
| 特点 | 不用产生候选框，直接将目标边框定位的问题转化为回归问题处理 | 先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类 |