目标检测作为计算机视觉中的一个重要分支,近些年来随着神经网络理论研究的深入和硬件 GPU 算力的大幅度提升,一举成为全球人工智能研究的热点,落地项目也最先开始。
纵观 2013 年到 2020 年,从最早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年的 M2Det,新模型层出不穷,性能也越来越好!本文将完整地总结 52 个目标检测模型极其性能对比,包括完备的文献 paper 列表。
首先直奔主题,列出这 52 个目标检测模型(建议收藏):
这份表看得太舒适了!这份目标检测超全的技术路线总结来自于 GitHub 上一个知名项目,作者是毕业于韩国首尔国立大学电气与计算机工程专业的 Lee hoseong,目前已经收获 7.3k star。
该项目地址是:
https://github.com/hoya012/deep_learning_object_detection
该技术路线纵贯的时间线是 2013 年到 2020 年初,上图总结了这期间目标检测所有具有代表性的模型。图中标红的部分是相对来说比较重要,需要重点掌握的模型。
更新日志
值得一提的是红色石头早在去年年初的时候已经发文给大家推荐过这个项目,作者也一直在更新,截至 2020 年 2 月,作者主要的更新如下:
- 2019.2:更新3篇论文
-
2019.3:更新图表和代码链接
-
2019.4:更新 ICLR 2019 和 CVPR 2019 论文
-
2019.5:更新 CVPR 2019 论文
-
2019.6:更新 CVPR 2019 论文和数据集论文
-
2019.7:更新 BMVC 2019 论文和部分 ICCV 2019 论文
-
2019.9:更新 NeurIPS 2019 论文和 ICCV 2019 论文
-
2019.11:更新部分 AAAI 2020 论文和其它论文
-
2020.1:更新 ICLR 2020 论文和其它论文
下面详细介绍!
模型性能对比表
由于硬件不同(例如 CPU、GPU、RAM 等),来比较 FPS 往往不够准确。更合适的比较方法是在同一硬件配置下测量所有模型的性能。以上所有模型的性能对比结果如下:
从上面的表格中,可以清楚看到不同模型在 VOC07、VOC12、COCO 数据集上的性能表现。同时列出了模型论文发表来源。
下面列举一些重点标红的模型进行简要介绍。
模型论文篇
2014 年
R-CNN
Rich feature hierarchies for accurate object detection and semantic segmentation | [CVPR’ 14]
论文:
https://arxiv.org/pdf/1311.2524.pdf
官方代码 Caffe:
https://github.com/rbgirshick/rcnn
OverFeat
OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks | [ICLR’ 14]
论文:
https://arxiv.org/pdf/1312.6229.pdf
官方代码 Torch:
https://github.com/sermanet/OverFeat
2015 年
Fast R-CNN
Fast R-CNN | [ICCV’ 15]
论文:
https://arxiv.org/pdf/1504.08083.pdf
官方代码 caffe:
https://github.com/rbgirshick/fast-rcnn
Faster R-CNN
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks | [NIPS’ 15]
论文:
https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf
官方代码 caffe:
https://github.com/rbgirshick/py-faster-rcnn
非官方代码 tensorflow:
https://github.com/endernewton/tf-faster-rcnn
非官方代码 pytorch:
https://github.com/jwyang/faster-rcnn.pytorch
2016 年
OHEM
Training Region-based Object Detectors with Online Hard Example Mining | [CVPR’ 16]
论文:
https://arxiv.org/pdf/1604.03540.pdf
官方代码 caffe:
https://github.com/abhi2610/ohem
YOLO v1
You Only Look Once: Unified, Real-Time Object Detection | [CVPR’ 16]
论文:
https://arxiv.org/pdf/1506.02640.pdf
官方代码 c:
https://pjreddie.com/darknet/yolo/
SSD
SSD: Single Shot MultiBox Detector | [ECCV’ 16]
论文:
https://arxiv.org/pdf/1512.02325.pdf
官方代码 caffe:
https://github.com/weiliu89/caffe/tree/ssd
非官方代码 tensorflow:
https://github.com/balancap/SSD-Tensorflow
非官方代码 pytorch:
https://github.com/amdegroot/ssd.pytorch
R-FCN
R-FCN: Object Detection via Region-based Fully Convolutional Networks | [NIPS’ 16]
论文:
https://arxiv.org/pdf/1605.06409.pdf
官方代码 caffe:
https://github.com/daijifeng001/R-FCN
非官方代码 caffe:
https://github.com/YuwenXiong/py-R-FCN
2017 年
YOLO v2
YOLO9000: Better, Faster, Stronger | [CVPR’ 17]
论文:
https://arxiv.org/pdf/1612.08242.pdf
官方代码 c:
https://pjreddie.com/darknet/yolo/
非官方代码 caffe:
https://github.com/quhezheng/caffe_yolo_v2
非官方代码 tensorflow:
https://github.com/nilboy/tensorflow-yolo
非官方代码 tensorflow:
https://github.com/sualab/object-detection-yolov2
非官方代码 pytorch:
https://github.com/longcw/yolo2-pytorch
FPN
Feature Pyramid Networks for Object Detection | [CVPR’ 17]
论文:
http://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.pdf
非官方代码 caffe:
https://github.com/unsky/FPN
RetinaNet
Focal Loss for Dense Object Detection | [ICCV’ 17]
论文:
https://arxiv.org/pdf/1708.02002.pdf
官方代码 keras:
https://github.com/fizyr/keras-retinanet
非官方代码 pytorch:
https://github.com/kuangliu/pytorch-retinanet
非官方代码 mxnet:
https://github.com/unsky/RetinaNet
非官方代码 tensorflow:
https://github.com/tensorflow/tpu/tree/master/models/official/retinanet
Mask R-CNN
Mask R-CNN | [ICCV’ 17]
论文:
http://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf
官方代码 caffe2:
https://github.com/facebookresearch/Detectron
非官方代码 tensorflow:
https://github.com/matterport/Mask_RCNN
非官方代码 tensorflow:
https://github.com/CharlesShang/FastMaskRCNN
非官方代码 pytorch:
https://github.com/multimodallearning/pytorch-mask-rcnn
2018 年
YOLO v3
YOLOv3: An Incremental Improvement | [arXiv’ 18]
论文:
https://pjreddie.com/media/files/papers/YOLOv3.pdf
官方代码 c:
https://pjreddie.com/darknet/yolo/
非官方代码 pytorch:
https://github.com/ayooshkathuria/pytorch-yolo-v3
非官方代码 pytorch:
https://github.com/eriklindernoren/PyTorch-YOLOv3
非官方代码 keras:
https://github.com/qqwweee/keras-yolo3
非官方代码 tensorflow:
https://github.com/mystic123/tensorflow-yolo-v3
RefineDet
Single-Shot Refinement Neural Network for Object Detection | [CVPR’ 18]
论文:
http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Single-Shot_Refinement_Neural_CVPR_2018_paper.pdf
官方代码 caffe:
https://github.com/sfzhang15/RefineDet
非官方代码 chainer:
https://github.com/fukatani/RefineDet_chainer
非官方代码 pytorch:
https://github.com/lzx1413/PytorchSSD
2019 年
M2Det
M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network | [AAAI’ 19]
论文:
https://arxiv.org/pdf/1811.04533.pdf
官方代码 pytorch:
https://github.com/qijiezhao/M2Det
2020 年
Spiking-YOLO
Spiking-YOLO: Spiking Neural Network for Real-time Object Detection | [AAAI’ 20]
论文:
https://arxiv.org/pdf/1903.06530.pdf
数据集论文篇
同时作者也列出了以上模型通常使用的公开数据集:VOC、ILSVRC、COCO,如下表所示:
用于目标检测的数据集相关论文如下:
以上就是 52 个深度学习检测模型汇总介绍。该项目可以说把近几年的目标检测模型总结得很不错了,包括论文和源码。希望对大家有所帮助!
广而告之
今天推荐一个好福利!相信近期很多人在家办公,最近看到华为云有个开年采购季活动,云服务器特别优惠,远程办公、视频会议、远程教育、远程医疗不再是问题。如果有朋友需要买云服务器的话,可以了解下!
另外这活动送的东西还真不少,送手机、送平板、送手表、送音箱,大家赶紧来上车吧!
华为云开年采购季来了!
送8888元企业助力礼包,云服务产品低至1折
云服务器79元/年,更有WeLink免费办公!
点击“阅读原文”,立即领取助力礼包节流增效!
https://activity.huaweicloud.com/2020feb_promotion/index.html
未经允许不得转载:红色石头的个人博客 » 52 个深度学习目标检测模型汇总,论文、源码一应俱全!