实时目标检测算法比较综述：不比不知道，原来NanoDet那么优秀！

目标检测算法很多，但那些在COCO等数据集上登顶的算法往往模型较大、计算复杂度高，其实大家更关心的是“开源”且“实时”目标检测方法。

今天向大家介绍一篇目标检测综述，其对常见的开源实时目标检测算法进行了比较研究，从精度、速度、鲁棒性、消耗能量等角度做了细致的比较，非常值得参考。

这篇论文发表于Transactions on Machine Learning Research，作者信息：

作者来自荷兰 NavInfo Europe 公司。

论文题目：

A Comprehensive Study of Real-Time Object Detection Networks Across Multiple Domains: A Survey

论文地址：

https://arxiv.org/pdf/2208.10895.pdf

下表列出了作者比较的目标检测算法、backbone、数据集和测试硬件：

下图则是该文所列算法使用HarDNet-68 backbone在COCO数据集上的评估结果：

可见NanoDet除了对抗鲁棒性稍差，各方面评估结果均较高！

下表列出了所有参与比较的算法的细节总览：

ThunderNet 主要部件示意图：

YOLO 主要部件示意图：

SSD 主要部件示意图：

CenterNet 主要部件示意图：

FCOS主要部件示意图：

NanoDet 主要部件示意图：

DETR 主要部件示意图：

TTFNet 主要部件示意图：

下图列出了使用的数据集的基本情况：

下表展示了，不同检测算法使用9种不同backbone在COCO数据集上的测试结果：

可见，精度上FCOS、NanoDet、CenterNet都很优秀，推理速度上NanoDet、CenterNet更胜一筹，耗费能量上NanoDet仍然优秀到底了。

其可视化的散点图如下：

所有检测模型与backbone的组合在COCO与VOC数据集上的比较结果：

可见，NanoDet + ShuffleNet-v2 是被点名表扬最多的那个组合。

不同大小的目标检测结果：

对于中、大目标，大多数算法都有比较好的表现，小目标检测性能的比较是重头戏，可见NanoDet、FCOS表现依旧领跑。

如下图，鲁棒性测试比较中，随着自然和人为干扰因素的增强，各种算法均表现出较大的性能下降。

当然，这一轮比较，NanoDet性能掉的相对更猛一点，但大家都很拉胯，其实差距也没那么大。

在BDD数据集上的比较结果：

在TensorRT硬件推理方面，YOLO表现得更加友好：

一些检测结果示例：

总结起来，NanoDet是实时目标检测的首选算法！

更多详细内容请查看原论文：

https://arxiv.org/pdf/2208.10895.pdf

更多CV类综述论文推荐：

https://github.com/52CV/CV-Surveys