问题：
">基于区域的目标检测器中的BB回归算法"产生的边界框(BB)与"单次检测器中的边界框"有什么区别？ 如果不是为什么，它们可以互换使用吗？
在了解用于对象检测的 R-CNN和 Yolo 算法的变体时，我遇到了两种主要的执行对象检测的技术，即基于区域 (R-CNN) 和基于利基滑动窗口 (YOLO)。
两者都在两种制度中使用不同的变体(从复杂到简单)，但最终，它们只是使用边界框定位图像中的对象！我只是想专注于下面的本地化(假设分类正在发生！)，因为这与提出的问题更相关，并简要解释了我的理解：
基于区域：
- 在这里，我们让神经网络预测连续变量(BB坐标)，并将其称为回归。
- 定义的回归(根本不是线性的)，只是一个 CNN 或其他变体(所有层都是可微的)，输出是四个值 (r，c，h，w)，其中 (r，c) 指定左角位置的值和 (h，w) BB 的高度和宽度。
- 为了训练这个 NN，当 NN 的输出与训练集中标记的 (r，c，h，w) 非常不同时，使用平滑的 L1 损失来学习精确的 BB ！
基于利基滑动窗口(卷积实现！
- 首先，我们将图像划分为19 * 19网格单元格。 将对象分配给网格
- 单元的方法是选择对象的中点，然后将该对象分配给包含对象中点的任何一个网格单元格。因此，每个对象，即使对象跨越多个网格单元，该对象也仅分配给 19 x 19 网格单元中的一个。
- 现在，您获取此网格单元的两个坐标，并使用某种方法计算该对象的精确BB(bx，by，bh，bw)，例如
- (bx， by， bh， bw) 相对于网格单元，其中 x & y 是中心点，h & w 是精确 BB 的高度，即边界框的高度被指定为网格单元总宽度的分数，H&W 可以是>1。
- 论文中指定了多种精确BB的计算方法。
两种算法：
输出精确的边界框。！
在监督学习环境中工作，他们使用标记的数据集，其中标签是边界框存储的(使用 labelimg 等工具手动标记我的一些注释器)用于 JSON/XML 文件格式的每个图像。
我试图在更抽象的层面上理解这两种本地化技术(以及对这两种技术都有深入的了解！)，以更清楚地了解：
它们在什么意义上是不同的？&
为什么创建 2，我的意思是 1 在另一个上的失败/成功点是什么？
它们可以互换使用吗，如果不能，那为什么？
如果我在某处错了，请随时纠正我，非常感谢反馈！引用研究论文的任何特定部分都会更有价值！
本质区别在于，两级更快的R-CNN更准确，而单级YOLO/SSD类更快。
在两阶段架构中，第一阶段通常是区域建议，而第二阶段是分类和更准确的定位。您可以将第一阶段视为类似于单阶段架构，区别在于区域提案仅将"对象"与"背景"分开，而单阶段区分所有对象类。更明确地说，在第一阶段，也以类似滑动窗口的方式，RPN 表示是否存在对象，如果有 - 大致给出它所在的区域(边界框)。第二阶段使用该区域进行分类和边界框回归(以便更好地定位)，首先汇集来自提议区域的相关特征，然后通过类似快速 R-CNN 的架构(执行分类+回归)。
关于您关于它们之间交换的问题 - 您为什么要这样做？通常，您会根据最迫切的需求(例如延迟/功耗/精度)选择架构，并且您不希望在它们之间进行交换，除非有一些复杂的想法会以某种方式帮助您。