目标检测简单总结

目标检测简单总结

大致分类

按照stage可以分为

• one-stage
  • SSD
  • YOLO
  • etc
• two-stage
  • Faster RCNN
  • R-FCN
  • etc

谷歌在Speed/accuracy trade-offs for modern convolutional object detectors中将目标检测模型分为了三种元结构Faster R-CNN，R-FCN和SSD

one-stage

SSD

网上文章漫天飞

RefineNet

RefineNet大致上是SSD算法和RPN网络、FPN算法的结合

RefineNet: Multi-Path Refinement Networks or High-Resolution Semantic Segmentation

YOLO

网上文章漫天飞

two-stage

其实SPPNet也可以看一看的。
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

网上关于rcnn系列的文章也挺多的。如果时间紧的化，rcnn系列可以直接看Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

下面说些其他有趣的论文和模型。

FCN

FCN(Fully Convolutional Networks)是用于语义分割的模型，文中提出的用于上采样的转置卷积（反卷积）应用挺广泛的。

全卷积网络 FCN 详解

Fully Convolutional Networks for Semantic Segmentation

FPN

FPN(Feature Pyramid Network)利用上采样构建新型的特征金字塔。

Feature Pyramid Networks for Object Detection

DCN

DCN(Deformable Convolutional Networks)的卷积域可以变形，不再是传统的方正形状

Deformable Convolutional Networks

Mask-RCNN

用于实例分割（目标检测+语义分割）。在faster rcnn的基础上添加了一支路预测mask，改进了pool成RoIAlign

Mask R-CNN

R-FCN

R-FCN(Region-based Fully Convolutional Networks)结合位置敏感得分图，将rcnn系列中用于最后预测的子网络头部共享了

R-FCN: Object Detection via Region-based Fully Convolutional Networks

Light-head R-CNN

Light-head R-CNN将R-FCN进一步改进，将子网络头部压缩到很薄。

Light-Head R-CNN: In Defense of Two-Stage Object Detector

R-FCN-3000

将细粒度分类(fine-grained classification)与R-FCN相结合。

R-FCN-3000 at 30fps: Decoupling Detection and Classification

参考资料

基于深度学习的【目标检测】算法综述说的比较生动活泼些

目标检测 (Detection) 算法综述将各个模型点评

干货 | 基于深度学习的目标检测算法综述（一）是美图技术关于Two/One stage 算法改进的文章

干货 | 基于深度学习的目标检测算法综述（二）是美图技术关于解决方案的文章

干货 | 基于深度学习的目标检测算法综述（三）是美图技术关于扩展应用、综述的文章

GitHub - hoya012/deep_learning_object_detection: A paper list of object detection using deep learning.论文列表

Object Detection - handong1587论文列表