大盤點 | 2019年4篇目標檢測演算法最佳綜述

作者：Amusi
Date：2019-11-28
微信公眾號： CVer
連結： 大盤點 | 2019年4篇目標檢測演算法最佳綜述

前言

上次整理了近期 目標檢測比較亮眼的論文彙總，詳見： 一文看盡8篇目標檢測最新論文(EfficientDet/EdgeNet/ASFF/RoIMix等） 。很多CVers在後臺和微信社群反映：這些都是很新的論文，我剛入門都看不懂怎麼辦？

答：看綜述！大概理清脈絡後，再挑著細讀論文，擼程式碼

正好已經2019年11月底了，是時候做個總結性盤點，而這次盤點的就是2019年 目標檢測綜述（Object Detection Review）。如果各位 CVer 喜歡這樣的盤點，請給這篇文章點個贊，如果點讚的人多，其它CV方向（分割/跟蹤等）的大盤點系列也會盡快推出！

本文分享的目標檢測論文將同步推送到 github上，歡迎大家 star/fork（點選閱讀原文，也可直接訪問）：

amusi/awesome-object-detection github.com

目標檢測論文

【1】Object Detection in 20 Years: A Survey

時間：2019年5月

作者：密歇根大學&北航&卡爾頓大學&滴滴出行

連結： https://arxiv.org/abs/1905.0505 5

推薦指數：★★★★★

注：39頁的目標檢測綜述，共計411篇參考文獻，太強了！

目標檢測里程碑：2001-2019 目標檢測多尺度方法：2001 - 2019 目標檢測邊框迴歸方法：2001 - 2019 目標檢測非極大值抑制(NMS)方法：1994 - 2019

【2】A Survey of Deep Learning-based Object Detection

時間：2019年7月

作者：西安電子科技大學

連結： https://arxiv.org/abs/1907.0940 8

推薦指數：★★★★

注：30頁的目標檢測綜述，從 Fast R-CNN到 NAS-FPN，均給出 COCO資料集上 mAP的資料，介紹10多種資料集，共計317篇參考文獻！

Two-stage和One-stage目標檢測基礎框架 4種使用不同size feature map的目標檢測演算法 MS COCO 資料集演算法效能對比

【3】Recent Advances in Deep Learning for Object Detection

時間：2019年8月

作者：新加坡管理大學&Salesforce

連結： https://arxiv.org/abs/1908.0367 3

推薦指數：★★★★

注：40頁的目標檢測綜述，共計256篇參考文獻！從2013 OverFeat到2019 NAS-FPN/CenterNet/DetNAS，涵蓋目標檢測機制、學習策略和應用方向等內容。還給出VOC/COCO資料集下的演算法全面對比

目標檢測里程碑：2012-2019 目標檢測關鍵知識點 VOC 資料集演算法效能對比 MS COCO 資料集演算法效能對比

【4】Imbalance Problems in Object Detection: A Review

時間：2019年9月

作者：中東技術大學

連結： https://arxiv.org/abs/1909.0016 9

推薦指數：★★★★

注：31頁的目標檢測綜述，共計166篇參考文獻！分別從特徵提取改進、損失函式和抽樣方法等方法來介紹。

Imbalance problems Two-stage、One-stage和Bottom-Up目標檢測基礎框架 目標檢測通用框架訓練流程 Feature-level imbalance方法示例

https://zhuanlan.zhihu.com/p/94090477

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69946223/viewspace-2674251/，如需轉載，請註明出處，否則將追究法律責任。