SSD MTCNN YOLO基本对比_mtcnn和yolo的网络层

SSD与MTCNN的区别

1）生成训练数据的方式不同 
MTCNN需要将训练样本事先生成好，同时生成label(分类label和回归label)，然后输入到网络中训练，而SSD直接输入原图，实际的训练数据由数据层和priorbox层共同完成，其中priorbox层用来确定每个样本的label,也就是说SSD将MTCNN的生成训练数据的部分融合到一个网络中，实现了真正意义上的端到端。

2）MTCNN和SSD实现了两种滑动窗口检测策略 
MTCNN：首先构建图像金字塔，然后使用固定大小的滑动窗口在金字塔每一级滑动，对每个滑动窗口分类回归。这个固定大小的滑动窗口的大小就是PNet的输入大小，滑动窗口操作由全卷积PNet实现。

 
SSD: 近似于在原图中设置了不同大小的滑动窗口，对不同大小的滑动窗口进行分类和回归。由于SSD可以看作是由6个不同的PNet组成，所以这些不同大小的滑动窗口其实对应了6种PNet。 
不管是MTCNN，还是SSD，本质上是对所有滑动窗口的分类。这与传统的目标检测方法本质上是一样的。

3）SSD使用3x3卷积核进行分类和回归，而MTCNN使用1x1卷积核进行分类和回归 
3x3的卷积核覆盖了该像素点的感受野以及它的领域，加入了局部信息，使得模型更加鲁棒。
-

一.  我们发现SSD比Faster rcnn默认框还多，更比yolo多的多，为什么省时间呢？

1）Faster-rcnn是一个双阶段网络，尽管Faster-rcnn的BB少很多，但是其需要大量的前向和反向推理（训练阶段），而且需要交替的训练两个网络