前言

趁最近目標檢測（Object Detection）方向的論文更新較少，Amusi 趕緊做個"最強目標檢測算法"大盤點。

https://github.com/amusi/awesome-object-detection

要知道衡量目標檢測最重要的兩個性能就是?精度和速度，特指 mAP 和 FPS。其實現在大多數論文要么強調 mAP 很高，要么就是強調 mAP 和 FPS 之間 Trade-off 有多好。

本文就來盤點一下 mAP 最高的目標檢測算法，Amusi 將在COCO數據集上 mAP 最高的算法認為是"性能最強"目標檢測算法。（COCO數據集是現在最主流的目標檢測數據集，這一點看最新的頂會論文就知道了）

時間：2019.07.07

盤點內容：目標檢測 mAP 最高的算法

說到目標檢測算法，大家腦子里最先蹦出來的算法應該是 Faster R-CNN 和 YOLOv3。這一點在我調研的時候，從大家的反饋明顯看得出來。

要知道?Faster R-CNN已經是2015年提出的論文了，而YOLOv3發表出來也已經一年多了。最近目標檢測相關的論文，比較典型的有：SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、兩個CenterNet 和 CornerNet-Lite等。

這么多目標檢測算法，究竟哪家最強呢？！

性能最強的目標檢測算法

這里 Amusi 羅列幾個mAP很強很強的算法，并以時間線的角度來展示。

注意：各個網絡使用不同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。

SNIPER: Efficient Multi-Scale Training

mAP：47.6

Date：2018.05.23

arXiv：https://arxiv.org/abs/1805.09300

https://github.com/MahyarNajibi/SNIPER/

TridentNet：Scale-Aware Trident Networks for Object Detection

mAP：48.4

Date：2019.01.07?（已開源）

arXiv：https://arxiv.org/abs/1901.01892

https://github.com/TuSimple/simpledet

HTC + DCN + ResNeXt-101-FPN

mAP：50.7

Date：2019.01.22 （已開源）

arXiv：https://arxiv.org/abs/1901.07518

https://github.com/open-mmlab/mmdetection

NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection

mAP：48.3

Date：2019.04.16?（未開源）

arXiv：https://arxiv.org/abs/1904.07392

CornerNet-Saccade+gt attention

mAP：50.3

Date：2019.04.18 （已開源）

arXiv：https://arxiv.org/abs/1904.08900

https://github.com/princeton-vl/CornerNet-Lite

Cascade R-CNN：High Quality Object Detection and Instance Segmentation

mAP：50.9

Date：2019.06.24?（已開源）

arXiv：https://arxiv.org/abs/1906.09756

Caffe：https://github.com/zhaoweicai/cascade-rcnn

PyTorch：https://github.com/zhaoweicai/Detectron-Cascade-RCNN

Learning Data Augmentation Strategies for Object Detection

mAP：50.7

Date：2019.06.26?（已開源）

arXiv：https://arxiv.org/abs/1906.11172

https://github.com/tensorflow/tpu/tree/master/models/official/detection

綜上所述，可知改進后的?Cascade R-CNN 算法是目前(2019.07.07)目標檢測方向性能最強的算法，其 mAP 為 50.9。

侃侃

這里將 mAP 作為目標檢測最強的指標，確實有失偏頗，不夠嚴謹，因為很多人將目標檢測應用在不同的任務上，其實要求的性能也有所不同。但請放心，Amusi 后續會統計一波 FPS最快的目標檢測算法 和 mAP-FPS Trade-off 最佳的算法。

調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

▲長按關注我們

機器學習初學者

黃海廣博士創建的公眾號，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，為初學者提供學習路線和基礎資料。原創作品有：吳恩達機器學習個人筆記、吳恩達深度學習筆記等。

往期精彩回顧

• 那些年做的學術公益-你不是一個人在戰斗

• 良心推薦：機器學習入門資料匯總及學習建議
  

• 吳恩達機器學習課程筆記及資源（github標星12000+，提供百度云鏡像）

• 吳恩達深度學習筆記及視頻等資源（github標星8500+，提供百度云鏡像）

• 《統計學習方法》的python代碼實現（github標星7200+）
  

• 精心整理和翻譯的機器學習的相關數學資料

• 首發：深度學習入門寶典-《python深度學習》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“加群”

加入知識星球（4100+用戶，ID：92416895），請回復“知識星球”

總結

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