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、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.YOLO v2

B.YOLO v1

C.Faster RCNN

D.Fast RCNN

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.YOLO v2

B.YOLO v1

C.Faster RCNN

D.Fast RCNN

A.SSD

B.YOLO v2

C.YOLO v3

D.Faster RCNN

A.在r-cnn网络中，初步获取的上千个候选框可以不进行尺度缩放，直接输送到下一步的特征提取cnn中

B.非极大值抑制（NMS）算法被用来合并、剔除各个候选框

C.r-cnn网络中，经过cnn和svm后，会得到候选框的中心坐标（x,y）和候选框的长宽（h,w）

D.得到目标候选框的信息后，还需要经过平移和尺度变换两个操作来获取最终的估计框

A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

B.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

C.舍弃了R-CNN的多尺度池化，提高了算法的速度

D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

A.把目标检测转化为一个回归问题，无需候选区域生成环节，因此速度得到了提升

B.由于候选区域只能从SXS个有限的网格选择，因此YOLO v1算法的准确性不如Faster R-CNN

C.因为一个网格对应的边框B通常取2，所以YOLO v1对于有重叠的物体或者是中心落在一个网格的小物体往往只能识别其中的一个

D.分类和回归等阶段使用一个VGG16网络统一为端对端的目标检测过程