27、下面关于目标检测RCNN算法的描述中，错误的说法是哪个？

A.RCNN生成大约2k个候选框

B.RCNN把所有侯选框缩放成固定大小

C.RCNN结合NMS（非极大值抑制）获得区域边框（BBox）

D.RCNN采用SVM对候选框进行位置预测

A.RCNN生成大约2k个候选框

B.RCNN把所有侯选框缩放成固定大小

C.RCNN结合NMS（非极大值抑制）获得区域边框（BBox）

D.RCNN采用SVM对候选框进行位置预测

A.rcnn、fast-rcnn、faster-rcnn算法本质上都是将目标检测分成了两个任务，目标框分类和矩形框回归。

B.rcnn、fast-rcnn、faster-rcnn算法都需要额外的selective search模块来捕获候选框

C.YOLO网络只需要一次推断就可以输出图像中物体的位置、所属类别

D.YOLO网络的思路是将输入图像划分成固定的s*s个格子，每个格子输出b个BBox

A.对于YOLOv1等单阶段的目标检测算法，不需要做区域生成（region proposal），可以直接使用卷积网络预测物体的分类和位置。

B.对于R-CNN算法而言，对目标和背景进行分类仅需一个SVM模型。

C.Fast R-CNN可以把selective search提取的候选框通过ROI Pooling转化为固定大小的特征图。

D.在Faster R-CNN中，候选框是通过特征图的点使用RPN（区域生成网络）生成。

A.R-CNN

B.Fast R-CNN

C.Faster R-CNN

D.YOLO v1

A.R-CNN

B.Fast R-CNN

C.Faster R-CNN

D.YOLO v1

A.YOLO v2

B.YOLO v1

C.Faster RCNN

D.Fast RCNN

A.R-CNN

B.Fast R-CNN

C.Faster R-CNN

D.YOLO v1

A.R-CNN

B.Fast R-CNN

C.Faster R-CNN

D.YOLO v1

A.YOLO v2

B.YOLO v1

C.Faster RCNN

D.Fast RCNN

A.YOLO v2

B.YOLO v1

C.Faster RCNN

D.Fast RCNN