本文详细介绍Paddle框架下的两阶段目标检测算法发展历程，解析Faster R-CNN原理，并通过PaddleDetection实战演练加深理解。
**
paddle的两阶段基础算法详解与实践
**
有三部分分别是：
1，两阶段算法发展历程
2，Faster R-CNN原理解析
3，Paddle Detection实战演练
一：两阶段算法的发展历程
目标检测一开始会通过传统的图像特征来分类图片等，2012之后加入了深度学习大发展，2014年将深度学习运用于机器学习，机器视觉之中。
R-CNN详解：
运作步骤：
用传统的特征HOG/Haar进行特征提取，再用机器学习进行分类。而R-CNN是最早将深度学习和目标检测结合在一起的。
R-CNN的网络结构：
从图中可以看出R-CNN的结果明显超过了传统的DPM特征那个方法。
R-CNN的不足：1，计算量大：主要表现在需要经卷积神经网络的次数比较庞大。2，基于传统的图像，所提取的区域质量会较差3，分模块训练，没有联合起来进行运作耗时变长。
如何解决R-CNN的不足：
fast R-CNN与R-CNN比较:
扫一扫
3063
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
