# Object Detection Develop History-3

==One Stage Method ==
stage 1 = region proposal + feature extract + bounding box

YOLO
SSD

==YOLO V1==
有B種物體
輸入影像透過CNN得到FEATURE MAP
將照片分成SxS的格子
若物體的中心掉在格子內，則由該格去算對每個物體的信心分數(B個)
並且計算物體座標

==YOLO 誤差==
與Fast R-CNN相比，YOLO對背景的辨識率很高
但是物體的定位誤差比較大

==定位誤差==
相鄰物體過多，yolo較難偵測
因為每個格子只能輸出兩個物體

---

==SSD==
Single Shot MultiBox Detection
一樣是one stage的做法，但是改良了yolo的一些缺點
yolo 對小物體偵測不佳，SSD則加入Multi-scale
使用預先設定好的bounding box進行預測，加快訓練速度
且IOU設定為0.5以上才算是有偵測到


==物體大小與FEATURE MAP 關係 ==
比較大的物體 ---> 在低解析度,ex. 4x4 大小的feature map 可以偵測
比較小的物體 ---> 在高解析度,ex. 8x8 大小的feature map 可以偵測

----

:::info
因此SSD拿掉YOLO最後的Fully connect層，改用multi-scale network
來解決不同大小物體的分類跟定位問題
:::

---

更多的[YOLO vs SSD](http://lanbing510.info/2017/08/28/YOLO-SSD.html)

###### tags: `SAR` `Deep learning` `Object Detection` `review`