前言

2019.07.07，CVer 曾推出一篇：大盤點 | 性能最強的目標(biāo)檢測算法，大家對此反映很好，還有很多同學(xué)私信要盤點 FPS 最快的目標(biāo)檢測算法。

要知道衡量目標(biāo)檢測最重要的兩個性能就是?精度和速度，特指 mAP 和 FPS。其實現(xiàn)在很多論文要么強調(diào) mAP 很高，要么就是強調(diào) mAP 和 FPS 之間 Trade-off 有多好。

目前的目標(biāo)檢測論文主要分為兩大類：One-stage 和 Two-stage（還有部分是 Multi-stage），其中 One-stage 相對于 Two-stage 在性能方面的表現(xiàn)就是 FPS 會高一點，即速度相對要快一點。這個特點在這篇文章：大盤點 | 性能最強的目標(biāo)檢測算法 就已經(jīng)體現(xiàn)了，里面大多論文并不會介紹速度的對比實驗。

本文就來盤點一下 One-stage?最強的目標(biāo)檢測算法，Amusi 將在COCO數(shù)據(jù)集上 mAP 最高的 One-stage 算法認(rèn)為是"性能最強" One-stage 目標(biāo)檢測算法。雖然 One-stage 目標(biāo)檢測算法的 mAP 并不是最高的，但因為普遍具有速度優(yōu)勢（個人覺得也就是落地應(yīng)用價值），所以目前的研究有很多。

注：下一篇盤點應(yīng)該會介紹 FPS最大（速度最快）的目標(biāo)檢測算法，如果想盡早看到，請給這篇文章點個"在看"，如果點擊"在看"的人多，速度最快的目標(biāo)檢測算法大盤點也會盡快推出！

時間：2019.08.07

盤點內(nèi)容：One-stage 目標(biāo)檢測 mAP 最高的算法

說到 One-stage 目標(biāo)檢測算法，大家腦子里最先蹦出來的算法應(yīng)該是 YOLO系列和 SSD系列。

這兩個 One-stage? "王者" 代表算法已經(jīng)發(fā)表有段時間了，SSD 發(fā)表于2015.12，而?YOLOv3 發(fā)表于 2018.04。

最近 One-stage 目標(biāo)檢測相關(guān)的論文，比較典型的有：CornerNet、ExtremeNet、FoveaBox、FSAF、FCOS、FoveaBox、RepPoints、兩個 CenterNet 和 CornerNet-Lite等。

這么多目標(biāo)檢測算法，究竟哪家最強呢？！

One-stage 性能最強的目標(biāo)檢測算法

這里 Amusi 羅列幾個 One-stage mAP很強很強的算法，并以時間線的角度來展示。

注意：各個網(wǎng)絡(luò)使用不同backbone，或加不同的tricks，都會有不同的 mAP。所以Amusi 只介紹所能查到最強的算法或者最強組合算法。而且測試 mAP的時候可能會有 single-scale 和 multi-scale 兩種情況，這里只討論?single-scale。

FSAF: Feature Selective Anchor-Free Module for Single-Shot Object Detection

mAP：42.9

FPS：5.3

Date：2019.03.02?（未開源）

arXiv：https://arxiv.org/abs/1903.00621

FCOS: Fully Convolutional One-Stage Object Detection

mAP：43.2

FPS：None

Date：2019.04.02（已開源）

arXiv：https://arxiv.org/abs/1904.01355

https://github.com/tianzhi0549/FCOS

原論文 mAP是 42.1，但開源的代碼里又優(yōu)化為 43.2

CenterNet：Objects as Points

mAP：42.1

FPS：7.8

Date：2019.04.16（已開源）

arXiv：https://arxiv.org/abs/1904.07850

https://github.com/xingyizhou/CenterNet

CenterNet: Keypoint Triplets for Object Detection

mAP：44.9

FPS：3

Date：2019.04.17?（已開源）

arXiv：https://arxiv.org/abs/1904.08189

https://github.com/Duankaiwen/CenterNet

AlignDet：Revisiting Feature Alignment for One-stage Object Detection

mAP：44.1

FPS：5.6

Date：2019.08.06?（未開源）

arXiv：https://arxiv.org/abs/1908.01570

綜上所述，Amusi 將?CenterNet?和?AlignDet 兩個算法認(rèn)為是目前(2019.08.07) One-stage 目標(biāo)檢測方向性能最強的算法，其中：

- CenterNet 的 mAP/FPS ：44.9/3

- AlignDet? ?的?mAP/FPS ??：44.1/5.5

侃侃

這里將 mAP 作為 One-stage 目標(biāo)檢測最強的指標(biāo)，確實有失偏頗，不夠嚴(yán)謹(jǐn)，因為很多人將目標(biāo)檢測應(yīng)用在不同的任務(wù)上，其實要求的性能也有所不同。但請放心，Amusi 后續(xù)會統(tǒng)計一波?FPS最快的目標(biāo)檢測算法 和 mAP-FPS Trade-off 最佳的算法。

調(diào)查的論文和鏈接我會放在：https://github.com/amusi/awesome-object-detection，歡迎各位CVer進行 star 和 fork！

作者CVer-的公眾號

▲長按關(guān)注我們

機器學(xué)習(xí)初學(xué)者

黃海廣博士創(chuàng)建的公眾號，黃海廣博士個人知乎粉絲21000+，github排名全球前120名（30000+）。本公眾號致力于人工智能方向的科普性文章，為初學(xué)者提供學(xué)習(xí)路線和基礎(chǔ)資料。原創(chuàng)作品有：吳恩達機器學(xué)習(xí)個人筆記、吳恩達深度學(xué)習(xí)筆記等。

往期精彩回顧

• 那些年做的學(xué)術(shù)公益-你不是一個人在戰(zhàn)斗

• 良心推薦：機器學(xué)習(xí)入門資料匯總及學(xué)習(xí)建議
  

• 吳恩達機器學(xué)習(xí)課程筆記及資源（github標(biāo)星12000+，提供百度云鏡像）

• 吳恩達深度學(xué)習(xí)筆記及視頻等資源（github標(biāo)星8500+，提供百度云鏡像）

• 《統(tǒng)計學(xué)習(xí)方法》的python代碼實現(xiàn)（github標(biāo)星7200+）
  

• 精心整理和翻譯的機器學(xué)習(xí)的相關(guān)數(shù)學(xué)資料

• 首發(fā)：深度學(xué)習(xí)入門寶典-《python深度學(xué)習(xí)》原文代碼中文注釋版及電子書

• 圖解word2vec(原文翻譯)
  

備注：加入本站微信群或者qq群，請回復(fù)“加群”

加入知識星球（4100+用戶，ID：92416895），請回復(fù)“知識星球”

總結(jié)

以上是生活随笔為你收集整理的推荐CVer的总结 | 性能最强的One-stage目标检测算法的全部內(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，歡迎將生活随笔推薦給好友。