目标检测汇总（随心所欲更新）

梳理一遍，还需补充哪些欢迎指出。 指标 MS COCO

 

一、单阶段目标检测（基于anchor的）

	multi-scale	backbone	arxiv/ github	AP	AP50	AP75	APs	APM	APL	亮点	time
YOLO		DarkNet-53
SSD300（Google）		VGG	https://arxiv.org/pdf/1512.02325.pdf	23.2	41.2	23.4	5.3	23.2	38.6
SSD512x512		VGG		26.8	46.5	27.8	9.0	28.9	41.9
RetinaNet （FAIR facebook）		ResNet101FPN	https://arxiv.org/pdf/1708.02002.pdf	39.1	59.1	42.3	21.8	42.7	50.2	Focal loss 类别平衡损失
		ResNeXt101		40.8	61.1	44.1	24.1	44.2	51.2
RefineDet512 （ 中科院）		ResNet101	https://arxiv.org/pdf/1711.06897.pdf	36.4	57.5	39.5	16.6	39.9	51.4
	√			41.8	62.9	45.7	25.6	45.1	54.1
M2Det （阿里达摩+北大）		VGG16	https://arxiv.org/pdf/1811.04533.pdf	41.0	59.7	45.0	22.1	46.5	53.8
512x512	√	VGG16		44.2	64.6	49.3	29.2	47.9	55.1
800x800		ResNet101		38.8	59.4	41.7	20.5	43.9	53.4
	√	ResNet101		43.9	64.4	48.4	29.6	49.6	54.3
YOLO-v4 512X512		CSPDarknet-53	https://arxiv.org/pdf/2004.10934.pdf	43.0	64.9	46.5	24.3	46.1	55.2
608		CSPDarknet-53		43.5	65.7	47.3	26.7	46.7	53.3

 

 

　二、Anchor-Free

	multi-scale	arxiv	backbone	AP	AP50	AP75	APS	APM	APL	亮点
CornetNet		https://arxiv.org/pdf/1808.01244.pdf	Hourglass 104	40.5	56.5	43.1	19.4	42.7	53.9
	√		Hourglass 104	42.1	57.8	45.3	20.8	44.8	56.7
ExtremNet		https://arxiv.org/pdf/1901.08043.pdf	Hourglass 104	40.2	55.5	43.2	20.4	43.2	53.1
	√		Hourglass 104	43.7	60.5	47.0	24.1	46.9	57.6
FSAF800		https://arxiv.org/pdf/1903.00621.pdf	ResNext-101	42.9	63.8	46.3	26.6	46.2	52.7
FSAF	√			44.6	65.2	48.6	29.7	47.1	54.6
FCOS		https://arxiv.org/pdf/1904.01355.pdf	Hourglass109	40.5	56.5	43.1	19.4	42.7	53.9
			ResNeXt-64x4d-101-FPN	44.7	64.1	48.1	27.6	47.5	55.6
FoveaBox		https://arxiv.org/pdf/1904.03797v1.pdf	resnet101	40.6	60.1	43.5	23.3	45.2	54.5
			ResNeXt101	42.1	61.9	45.2	24.9	46.8	55.6
RPDet		https://arxiv.org/pdf/1904.11490.pdf	ResNet101	41.0	62.9	44.3	23.6	44.1	51.7
	√		ResNet101-DCN	43.5	61.3	46.7	25.3	45.3	55.0
CenterNet：keypoint triplet		https://arxiv.org/pdf/1904.08189.pdf	Hourglass 52	41.6	59.4	44.2	22.5	43.1	54.1
			Hourglass 104	44.9	62.9	48.1	25.6	47.4	57.4
	√		Hourglass 52	43.5	61.3	46.7	25.3	45.3	55.0
	√		Hourglass 104	47.0	64.5	50.7	28.9	49.9	58.9

 

 

三、二阶段目标检测：

	muti-scale	backbone	arxiv	AP	AP50	AP75	APS	APM	APL
RCNN
Fast
Faster
FPN			https://arxiv.org/pdf/1612.03144.pdf
Mask r-cnn			https://arxiv.org/pdf/1703.06870.pdf	39.8	62.3	43.4	22.1	43.2	51.2
IoUNet		resnet101	https://arxiv.org/pdf/1807.11590.pdf	40.6	59.0	-	-	-	-
Libra-RCNN		resnext101	https://arxiv.org/pdf/1904.02701.pdf	43.0	64	47.0	25.3	45.6	54.6
DetNet		DetNet59	https://arxiv.org/pdf/1804.06215.pdf	40.2	61.7	43.7	23.9	43.2	52.0
R-DAD		resnet101	https://arxiv.org/pdf/1901.08225.pdf	40.4	60.5	43.7	20.4	45	56.1
	√	resnet101		43.1	63.5	47.4	24.1	45.9	54.7
Cacscade RCNN		resnet101	https://arxiv.org/abs/1712.00726	42.8	62.1	46.3	23.7	45.5	55.2
EfficientDet			https://arxiv.org/pdf/1911.09070.pdf	52.2	71.4	56.3

 　　

　　RCNN:（1）用selective search选取候选区，   CNN提取特征  SVM分类 （2） 对不同的候选区都要单独用CNN提特征造成耗时

　　Fast-RCNN：（1） 提取候选框，对原图直接CNN提取特征，将候选框映射到特征图上。

　　Faster-RCNN：（1）提出RPN （2）实现端到端训练

　　FPN  (CVPR2017) ：

　　Mask-RCNN：（1）ROI Align 替换了 ROI pooling。 （2）roi Align后的特增加一个分割掩码的分支

        DetNet：

　　IoUNet：（1）precisePooling  ( 2 ) 增加了新的分支回归候选区的IoU大小，提出根据IoU指导的NMS。

　　R-DAD: 

　　Libra-RCNN：（1）FPN改进：rescale           strengthen：和原始特征融合（2）正负样本采样：正样本按类别均衡采样，负样本使用IoU间隔法采样（3）回归损失函数：smooth L1 => Balanced smooth L1

　　Cacscade RCNN：（1）使用了三个分支回归和分类，下一个分支都使用上一个分支回归的框作为输入。不同分支的正样本使用不同的阈值划分。

　

 　　

　　

　

 

四、轻量化的目标检测

	input size	backbone	arxiv		AP	AP50	AP75	亮点
ThunderNet	320x320	SNet146	https://arxiv.org/pdf/1903.11752.pdf		23.6	40.2	24.5
	320x320	SENet535			28.0	46.2	29.5