目標(biāo)檢測(cè)算法的發(fā)展時(shí)間線

• 發(fā)展歷史軸（時(shí)間軸線圖）
• 算法方法概覽（思維導(dǎo)圖）

說明：本文僅供學(xué)習(xí)

發(fā)展歷史軸（時(shí)間軸線圖）

目標(biāo)檢測(cè)的算法發(fā)展可以追溯到很久之前，這里我根據(jù)前兩年的綜述論文加上這兩年的發(fā)展也畫了兩個(gè)部分的相關(guān)模型發(fā)展軸。可以看到，目標(biāo)檢測(cè)算法在2012年前均采用傳統(tǒng)算法進(jìn)行處理。

在2012年之后隨著算力及數(shù)據(jù)的提升，大量的深度學(xué)習(xí)模型涌現(xiàn)。最開始的模型主要采用的是以RCNN為首的two-stage目標(biāo)檢測(cè)模型。但隨著移動(dòng)端對(duì)目標(biāo)檢測(cè)效率要求的提高，16年之后模型開始以YOLO為首的one-stage模型為主。但前面兩種模型都比較依賴anchor的設(shè)定，因此，為減少anchor對(duì)模型的影響，在18年CornerNet提出之后興起了對(duì)anchor-free的研究。17年底谷歌推出了Transformers模型，隨后在19年開始大火并開始應(yīng)用于視覺領(lǐng)域，在20年時(shí)Facebook AI團(tuán)隊(duì)首次將Transformers模型應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域，開啟了目標(biāo)檢測(cè)新的研究浪潮，包括最近很火的Swin Transformer模型。

算法方法概覽（思維導(dǎo)圖）

從上面模型的發(fā)展來看，目標(biāo)檢測(cè)算法可以主要可以分為以下五類。其中，傳統(tǒng)算法比較依賴于手工特征的設(shè)計(jì)。對(duì)基于Anchor的方法，可以從兩個(gè)角度來看待其模型的發(fā)展，一是訓(xùn)練模式，二是Anchor的形狀。從訓(xùn)練模式來看的話，基于anchor的目標(biāo)檢測(cè)模型主要可以分為One-stage和Two-stage模型。One-stage模型因?yàn)闄z測(cè)速率較快的優(yōu)點(diǎn)多用于移動(dòng)端場(chǎng)景，而Two-stage模型因?yàn)闄z測(cè)精度較高的優(yōu)點(diǎn)多用于精裝設(shè)備場(chǎng)景。從Anchor形態(tài)來看，對(duì)于不同的物體用更加貼合其自身形態(tài)的anchor會(huì)更加精確。其中，矩形和多邊形多用于遙感和文字檢測(cè)場(chǎng)景，而橢圓及圓形多用于遙感和醫(yī)學(xué)領(lǐng)域。

下圖是我羅列出不同類型目標(biāo)檢測(cè)算法中比較經(jīng)典的模型及算法，在后面的講解中主要只講解所提到的比較經(jīng)典的方法。

總結(jié)

以上是生活随笔為你收集整理的目标检测算法回顾之发展概览的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。