跳到主要内容

经典检测架构

本节定位

经典检测架构最值得学的不是“模型名”，而是它们一路在解决同一个问题：

怎么在保证检测质量的同时，把检测速度提上来。

R-CNN 家族的发展史，本质上就是“把重复计算越来越多地省掉”的历史。

学习目标​

  • 理解 R-CNN 家族为什么重要
  • 理解 region proposal 在检测早期路线中的作用
  • 理解 Fast / Faster R-CNN 分别优化了哪一层瓶颈
  • 建立两阶段检测器的核心直觉

一、R-CNN 系列在做什么？​

1.1 基本套路​

两阶段检测的典型思路是：

  1. 先提出候选区域
  2. 再对候选区域做分类和框回归

1.2 为什么会这样设计？​

因为直接在整张图上同时找所有目标并不容易。
先缩小到“可能有目标的区域”，会更自然。

1.3 一个类比​

就像先在地图上圈出“可能有店铺的街区”，
再逐个街区判断是哪种店。

二、三代经典架构各自补了什么？​

2.1 R-CNN​

优点：

  • 思路清楚

缺点：

  • 每个候选框都要单独跑一次特征提取
  • 非常慢

2.2 Fast R-CNN​

优化点：

  • 整张图只提一次卷积特征
  • 候选框在共享特征图上裁切

收益：

  • 速度明显提升

2.3 Faster R-CNN​

优化点：

  • 连候选区域提议也交给网络自己学

收益：

  • 把 region proposal 也纳入端到端学习

三、先看一个“共享特征 vs 重复计算”的小示例​

proposals = ["box1", "box2", "box3", "box4"]


def rcNN_style_cost(num_proposals):
    # 每个 proposal 都单独提特征
    return num_proposals * 10


def fast_rcnn_style_cost(num_proposals):
    # 整图提一次特征 + proposal 裁切
    return 10 + num_proposals * 2


for n in [1, 4, 16]:
    print(
        {
            "proposals": n,
            "rcnn_cost": rcNN_style_cost(n),
            "fast_rcnn_cost": fast_rcnn_style_cost(n),
        }
    )

3.1 这个例子最想表达什么？​

Fast R-CNN 这类改进的核心并不是“更神奇”，
而是：

  • 共享计算

这正是检测模型效率演进的主线之一。

四、两阶段检测器今天还有价值吗？​

当然有。
它们通常在：

  • 精细检测
  • 高质量框定位
  • 小目标和复杂场景

里仍然很有竞争力。

只不过在很多实时场景里，
YOLO 一类单阶段方法更常见。

五、最常见误区​

5.1 误区一：经典检测架构已经没必要学​

不对。
它们很适合理解检测问题是怎样被系统拆开的。

5.2 误区二：两阶段就一定更慢且毫无价值​

很多时候它仍然在质量上有优势。

5.3 误区三：Faster R-CNN 只是更快一点​

它更重要的是把候选区域生成纳入了可学习体系。

小结​

这节最重要的是建立一个演进判断：

R-CNN 家族的发展，本质上是在不断减少重复计算，把检测从“能做”推进到“更高效地做”。

只要这点看清楚，后面你再学 YOLO，就会更容易比较两条路线的取舍。

练习​

  1. 想一想：为什么共享特征图会显著降低检测成本？
  2. 用自己的话解释：Faster R-CNN 比 Fast R-CNN 多解决了哪一步问题？
  3. 什么时候你会更偏向两阶段检测器？
  4. 为什么经典架构对理解检测任务仍然有价值？