专栏首页机器学习初学者精选文章【CV】大盘点 | 性能最强的目标检测算法

【CV】大盘点 | 性能最强的目标检测算法

前言

去年7月,Amusi 曾做过一篇整理:大盘点 | 性能最强的目标检测算法,那时收集的情况是:改进后的 Cascade R-CNN 算法是截止(2019.07.07)目标检测方向性能最强的算法,其 mAP 为 50.9。

Amusi 发现2020年,对于目标检测涨点的研究相比于2018、2019年少很多了。个人觉得一方面研究遇到一定瓶颈,另一方面,一片红海的目标检测相对发论文的门槛更高了。

2019年anchor-free系列的目标检测论文层出不穷,其中特别要提到:FCOS和CenterNet。但今年还未看到更加亮眼的论文,这可能要等到CVPR 2020和ECCV 2020论文全部出来才能知道。

抛开参数量、FLOPs等,简单粗暴衡量目标检测最重要的两个性能就是 精度和速度,特指 AP 和 FPS。这一点在很多论文中都能看到相关的图示,比如前不久刚出的YOLOv4

  • 追求涨点的论文,主要强调 AP 刷的有多高;
  • 追求速度的论文,主要强调 AP 和 FPS 之间 Trade-off 有多好(速度一般>30 FPS)。

时隔9个月,Amusi 再来盘点一下 AP 最高的目标检测算法。根据目前学术论文情况,Amusi 将在COCO数据集上 AP 最高的算法认为是"性能最强"目标检测算法

  • 盘点时间:2020.04.28
  • 盘点内容:目标检测 AP 最高的算法
  • 不严格区分单尺度/多尺度训练,只看数据
  • Amusi整理,仅个人观点,欢迎补充

性能最强的目标检测算法

这里 Amusi 罗列几个AP很强很强的算法,并以时间线的角度来展示(如果论文开源了,我也会注明的)。

注意:各个网络使用不同backbone,或加不同的tricks,都会有不同的 AP。所以Amusi 只介绍所能查到最强的算法或者最强组合算法。

CBNet: A Novel Composite Backbone Network Architecture for Object Detection

AP:53.3

Date:2019.09.09

论文:https://arxiv.org/abs/1909.03625

代码1:https://github.com/PKUbahuangliuhe/CBNet

代码2:https://github.com/VDIGPKU/CBNet

代码3(基于PaddlePaddle):

https://github.com/PaddlePaddle/PaddleDetection

论文解读:

53.3 mAP!北大等提出CBNet 目标检测新骨干网络

值得提一下:CBNetv2也快要出来了,性能有多强,敬请期待!

EfficientDet: Scalable and Efficient Object Detection

AP:52.2

Date:2019.11.20

注:已收录于CVPR 2020

论文:https://arxiv.org/abs/1911.09070

代码1(官方,基于TensorFlow):

https://github.com/google/automl/tree/master/efficientdet

代码2(基于PyTorch):

https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch

论文解读:

一骑绝尘的EfficientNet和EfficientDet

全网第一SoTA成绩却朴实无华的PyTorch版EfficientDet

SpineNet: Learning Scale-Permuted Backbone for Recognition and Localization

AP:52.1

Date:2019.12.10

注:已收录于CVPR 2020

论文:https://arxiv.org/abs/1912.05027

代码(官方,基于TensorFlow):

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

TSD: Revisiting the Sibling Head in Object Detector

AP:51.2

Date:2020.03.17

注:已收录于CVPR 2020,且是Google OpenImage Challenge 2019 检测赛道的冠军解决方案

论文:https://arxiv.org/abs/2003.07540

代码:暂无

论文解读:51.2 mAP!商汤提出目标检测新网络 TSD | CVPR 2020

综上所述,可知:

  • 基于CBNet改进后的 Cascade Mask R-CNN 算法是目前(2020.04.28)目标检测方向性能最强的算法,其 AP 为 53.3(多尺度测试)
  • EfficientDet算法是目前(2020.04.28)目标检测方向性能最强的算法,其 AP 为 52.2(单尺度测试)

本文分享自微信公众号 - 机器学习初学者(ai-start-com)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-05-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 复现经典:《统计学习方法》第13章 无监督学习概论

    无监督学习是指从无标注数据中学习模型的机器学习问题。无标注数据是自然得到的数据,模型表示数据的类别、转换或概率无监督学习的本质是学习数据中的统计规律或潜在结构,...

    黄博的机器学习圈子
  • 【推荐】新冠肺炎的最新数据集和简单的可视化和预测分析(附代码)

    https://github.com/CSSEGISandData/COVID-19

    黄博的机器学习圈子
  • 首发:徐亦达团队新论文推荐(ECCV2020):端到端多人多视角3d动态匹配网络

    论文第一作者:黄聪臻韬,本科就读于中国科学技术大学-计算机科学与技术系,于2017年毕业。毕业后进入悉尼科技大学徐亦达教授门下攻读博士学位,专业方向是计算机视觉...

    黄博的机器学习圈子
  • 干货 | 基于深度学习的目标检测算法综述(三)

    目标检测(Object Detection)是计算机视觉领域的基本任务之一,学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展,目标检测算法也从基...

    磐创AI
  • 干货 | 基于深度学习的目标检测算法综述

    目标检测(Object Detection)是计算机视觉领域的基本任务之一,学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展,目标检测算法也从基...

    AI科技评论
  • 写给设计师的人工智能指南:图像

    “在未来30年, 人工智能将取代目前世界上50%的工作。” ——莱斯大学 计算机科学教授 Moshe Vardi 不管未来怎么样,我觉得提高设计师的效率是眼前最...

    mixlab
  • CTF流量分析之题型深度解析

    在CTF比赛中,对于流量包的分析取证是一种十分重要的题型。通常这类题目都是会提供一个包含流量数据的pcap文件,参赛选手通过该文件筛选和过滤其中无关的流量信息,...

    漏斗社区
  • pip install browserc

    这几天在看《精通Scrapy网络爬虫》一书,需要涉及到browsercookie库的安装。一切有些不如人意,花了两三个小时才安装成功,所以在这里记录一下,一方面...

    py3study
  • 汇总 | OpenCV DNN支持的对象检测模型

    OpenCV DNN不光支持图像分类,对象检测作为计算机视觉主要任务之一,OpenCV DNN支持多种对象检测模型,可以快速实现基于COCO数据集与Pascal...

    OpenCV学堂
  • Cocos论坛九问九答

    今天周未,Shawn将之前在Cocos论坛中回答的问题,整理了部分继续我的分享之路!

    张晓衡

扫码关注云+社区

领取腾讯云代金券