关于two-stage的通用训练过程

无论是目标检测，还是一个end-to-end的文本检测识别，只要是two-stage，都是分为 rpn和roi。为什么一定要分为两部分。
因为目标检测还有一个隐功能（分类），文本检测识别还有一个识别功能。这第二个功能都是要交给roi去做。其实可以把roi当作一个独立的模块，前面的rpn只是用来给roi提供一个区域让它去分类或者识别。因此roi一般要做（loss函数）就是分类损失或者是回归损失，公式就不写了，没有意义。
上段提到了rpn是给roi提供区域的，因此rpn的loss函数分为两部分，第一，回归损失，这个是必须要有的，而且不要以为回归是网络最后在做的，在rpn已经做好了（为了确保精度更高，会在roi层之后再做一次回归损失）。第二，分类损失，这个分类，是指，这块区域到底要不要给roi，因此，通常都是2分类。
在训练阶段，为了不让rpn的性能影响到roi，最好直接用ground truth提供的区域去进行分类，而不是用rpn层提取的区域来输入到roi层。如果rpn层训练好了，也可以将rpn层训练好的作为roi的输入。注意，是训练阶段，因此，训练阶段把两个当作单独的模块就可以了。

关于one-stage和two-stage的区别。我的个人理解，就是one-stage把two-stage的roi分类结合到了rpn层，就成了one-stage。