2019年最新目标检测算法综述汇总

最新推荐文章于 2025-11-19 08:51:14 发布
原创 最新推荐文章于 2025-11-19 08:51:14 发布 · 1.2k 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文精选四篇目标检测领域的高质量综述论文，涵盖2001年至2019年间的技术发展，包括多尺度方法、边框回归、非极大值抑制及不平衡问题，对比分析多种算法在VOC和MSCOCO数据集上的表现。
部署运行你感兴趣的模型镜像

本文分享的目标检测论文将同步推送到 github上，欢迎大家 star/fork：https://github.com/murufeng/awesome-papers/tree/master/Object-detection

目标检测论文

【1】Object Detection in 20 Years: A Survey

时间：2019年5月
作者：密歇根大学&北航&卡尔顿大学&滴滴出行
链接：https://arxiv.org/abs/1905.05055
推荐指数：★★★★★
注：39页的目标检测综述，共计411篇参考文献，太强了！

- 目标检测"里程碑"：2001-2019
在这里插入图片描述

- 目标检测多尺度方法：2001 - 2019

在这里插入图片描述

- 目标检测边框回归方法：2001 - 2019
在这里插入图片描述

- 目标检测非极大值抑制(NMS)方法：1994 - 2019
在这里插入图片描述

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

时间：2019年7月
作者：西安电子科技大学
链接：https://arxiv.org/abs/1907.09408
推荐指数：★★★★
注：30页的目标检测综述，从 Fast R-CNN到 NAS-FPN，均给出 COCO数据集上 mAP的数据，介绍10多种数据集，共计317篇参考文献！

- Two-stage和One-stage目标检测基础框架
在这里插入图片描述

- 4种使用不同size feature map的目标检测算法
在这里插入图片描述

- MS COCO 数据集算法性能对比
在这里插入图片描述

【3】Recent Advances in Deep Learning for Object Detection

时间：2019年8月
作者：新加坡管理大学&Salesforce
链接：https://arxiv.org/abs/1908.03673
推荐指数：★★★★
注：40页的目标检测综述，共计256篇参考文献！从2013 OverFeat到2019 NAS-FPN/CenterNet/DetNAS，涵盖目标检测机制、学习策略和应用方向等内容。还给出VOC/COCO数据集下的算法全面对比

- 目标检测"里程碑"：2012-2019
在这里插入图片描述
- 目标检测关键知识点
在这里插入图片描述

- VOC 数据集算法性能对比
在这里插入图片描述

- MS COCO 数据集算法性能对比
在这里插入图片描述

【4】Imbalance Problems in Object Detection: A Review

时间：2019年9月
作者：中东技术大学
链接：https://arxiv.org/abs/1909.00169
推荐指数：★★★★
注：31页的目标检测综述，共计166篇参考文献！分别从特征提取改进、损失函数和抽样方法等方法来介绍。

- Imbalance problems
在这里插入图片描述

- Two-stage、One-stage和Bottom-Up目标检测基础框架
在这里插入图片描述

- 目标检测通用框架训练流程
在这里插入图片描述

- Feature-level imbalance方法示例

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v8.3

Yolo-v8.3

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

【2025最新版】PCL点云处理算法汇总（C++长期更新版）
点云侠的博客
01-18 62万+
PCL学习目录。博客长期更新，最近一次更新时间为：2025年12月16日。
【深度学习】yolo目标检测发展综述，yolo系列模型对比
q742971636的博客
11-08 4663
我们通过删除最后一个卷积层来修改这个网络以进行检测，取而代之的是添加三个3 × 3的卷积层，每个层有1024个过滤器，然后是最后一个1 × 1的卷积层，包含检测所需的输出数量。我们使用随机梯度下降在标准ImageNet 1000类分类数据集上训练了160个时代的网络，初始学习率为0.1，多项式速率衰减为4次幂，权重衰减为0.0005，动量为0.9，使用Darknet神经网络框架[13]。在这个较高的分辨率下，我们的网络达到了76.5%的top-1精度和93.3%的top-5精度。学习ResNet.。
目标检测算法对比_实时目标检测算法
weixin_39764379的博客
11-22 1015
首先说声抱歉，隔了这么久才第一次更新专栏(中间经历了DAC和CVPR的rebuttal，导致拖到了现在)。。在此期间，也针对这个比赛尝试了一些目标检测算法并做了大量的优化，目前由于Jetson TX2开发板还没到，只能在1080Ti和CPU上进行测速，最终模型精度为0.83mIOU，模型参数量是2.33M，模型大小是9.7M，在1080Ti可以达到342.2fps，在CPU上可以达到30.5fps...
目标检测算法
Dongjiuqing的博客
01-18 3166
目标检测算法一般分为两阶段检测和单阶段检测，常见的两阶段的检测方法有滑动窗口、R-CNN系列，SPPNET等，单阶段检测器有YOLO/SSD/Retinanet等，之后将逐一介绍这些算法的核心思想和贡献。 2012年之前，大部分的研究人员一直都在用传统的算法进行目标检测，大多是基于SIFT、HOG特征提取，然后送入分类器。比如滑动窗口的方法。滑动窗口将不同大小的窗口以不同的步长遍历图片每一个角落...
深度学习：目标检测（Object Detection）详解
最新发布
sweet_ran的博客
11-19 848
摘要：本文系统阐述了目标检测技术的关键概念与发展脉络，详细解析了图像分类、物体定位与检测的递进关系。重点分析了传统滑动窗口方法的局限性及其卷积化改进方案，深入剖析了YOLO算法"一次检测"的核心思想。同时介绍了评价指标IoU、NMS去重机制和Anchor Box多尺度检测技术，完整呈现了从滑动窗口到现代YOLO系列的技术演进路线。通过对比不同方法的优缺点，指出当前YOLO系列已成为工业应用的主流选择，并强调目标检测技术对实现计算机视觉智能的重要价值。
2019年4篇目标检测算法最佳综述
Galen_xia的博客
12-13 484
参考链接：https://zhuanlan.zhihu.com/p/94090477
【目标检测】算法梳理
HollrayChan的博客
11-13 755
ROI Pooling层：Pooling层的一种，输入特征图尺寸不固定，但是输出特征图尺寸固定； ROI Pooling的输入 输入有两部分组成： 特征图：指的是图1中所示的特征图，在Fast RCNN中，它位于RoI Pooling之前，在Faster RCNN中，它是与RPN共享那个特征图，通常我们常常称之为“share_conv”； rois：在Fast RCNN中，指的是Selectiv...
目标检测算法整理（简洁版）
Augus的博客
07-26 2437
目录 目录 完整版链接 区域提名方法 有区域提名算法 OverFeat(2013) R-CNN Fast R-CNN Fster R-CNN R-FCN 无区域提名算法 YOLO SSD 完整版链接 如果想要详细的了解深度学习在目标检测上的应用，可以戳 https://www.cnblogs.com/gujianhan/p/6035514.html https...
目标检测算法综述（近20年）
热门推荐
Rock的博客
05-27 2万+
目标检测最新总结文献 ： 1《Deep Learning for Generic Object Detection A Survey》 下载地址 2.《Object Detection in 20 Years: A Survey》下载地址 GitHub：下载地址 目标检测是将图像或者视频中的目标与其他不感兴趣区域进行区分，判断是否存在目标，确定目标位置，识别目标种类的计算机视觉任务。 以AlexN...
对视觉目标检测的整体认知（基于目标检测综述）
迷路的咸鱼的博客
05-31 5120
  图像的目标检测(Object Detection)算法大体上可以分为基于传统手工特征的时期（2013年以前）以及基于深度学习的目标检测时期。从技术发展上来讲，目标检测的发展则经历了包围框回归、卷积神经网络的兴起、多参考窗口（anchors）、困难样本挖掘、多尺度多端口检测、特征融合等几个里程碑式的进步。如下图所示，为2019年5月发表的目标检测综述《Object Detection in 20 Years: A Survey》，它除了对目标检测从2001到2009年的里程碑式算法和start-of-ar
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（补充篇）(附python代码实现)
qq_36130719的博客
01-16 3524
随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展，但小目标由于像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战. 为了提高小目标的检测性能，研究人员从网络结构、训练策略、数据处理等方面展开了大量的研究，并取得了一定的进展. 然而，与大、中目标检测相比，目前小目标的检测性能依然存在着较大的差距.目标尺度是影响目标检测性能的重要因素之一. 目前，无论在公开数据集还是现实世界采集的图像中，小目标的检测精度远远低于大目标和中等尺度目标，并经常出现漏检和误检. 但小目标检测在许多实际场景
基于深度学习的目标检测算法总览pdf文件.pdf
08-25
此PDF为小编对整理的思维导图文件生成，总结了深度学习以及CNN火热后，目标检测相关算法的总览，其中还包含在19年轮回重生的anchor-free等算法，算是一个算法概述。
目标检测(Object Detection)算法合集
08-27
本文总结了近几年来的目标检测算法paper的pdf文档和在github上的代码地址
几种目标识别算法.论文
10-14
一篇论文，基于gabor遗传算法的红外图像识别，基于PCA 和图像匹配的飞机识别算法，基于插值算法的真实图像与计算机生成图像鉴别
目标检测汇总——新思路，新方法(持续更新)
zhuzizhong的博客
09-11 1095
(2019.09.11)FreeAnchor: Learning to Match Anchors for Visual Object Detection 新一代通用物体检测方法FreeAnchor NeurIPS 2019 论文链接 https://arxiv.org/pdf/1909.02466.pdf 开源代码 https://github.com/zhangxiaosong...
【目标检测Anchor-Free】CVPR 2019 CenterNet
I good vegetable a!
01-25 869
前言 前面介绍了CornerNet和ExtremeNet，今天要介绍的是CVPR 2019的一篇大名鼎鼎的Anchor-Free目标检测论文《CenterNet: Keypoint Triplets for Object Detectiontection》，这篇论文由中科院，牛津大学以及华为诺亚方舟实验室联合提出。是One-Stage目标检测算法中精度最高的算法。值得注意的是CenterNet是在...
目标检测算法回顾之应用场景篇
xiaobaizaza_Ry的博客
05-23 1万+
目标检测应用场景目录应用场景总结 目录 第一部分我们主要回答两个问题：目标检测在实际中有哪些应用以及为什么我们需要研究它的原因。 应用场景 在我们日常生活中有哪些可以想到的目标检测应用呢？ 比如，我们打卡需要人脸检测，指静脉检测，购物时可以进行商品检测与文本提取，检血时需要细胞检测与病理检测，垃圾分类时使用垃圾检测避免误分类现象等。 所以，目标检测不管是在我们的日常生活领域，交通领域，工商业领域还是医学领域中都有着重大的应用。再回到我们日常的校园生活中，我们学校的智能食堂及智能MY PASS门禁系统也
目标检测CNN 目标检测发展历程 应用场景 智慧交通 自动驾驶 工业生产 智慧医疗
万有文的博客
05-08 1767
目标检测是计算机视觉领域中的一个重要任务，其主要目的是让计算机能够自动识别图像或视频帧中所有目标的类别，并在目标周围绘制边界框以标示出每个目标的位置。目标检测的过程通常包括两个主要步骤：目标定位和目标分类。目标定位是确定图像中是否存在感兴趣的目标，并找到这些目标在图像中的位置。这通常是通过在图像上滑动一个窗口（也称为滑动窗口方法）来实现的，该窗口会截取图像的一部分区域，并将其输入到卷积神经网络（CNN）中进行处理。如果窗口内的区域包含目标，则CNN会输出一个高置信度分数，并给出该区域的边界框坐标。
2024年十大前沿目标检测模型汇总
阿旭的博客
10-08 2万+
2024年十大前沿目标检测模型汇总
深度学习目标跟踪算法：2019年综述
"这篇文档是中国图像图形学报在2019年发表的一篇关于深度学习目标跟踪算法的综述，作者包括李玺、查宇飞、张天柱等人。文章详细探讨了近年来深度学习在目标跟踪领域的应用和发展，旨在为相关领域的研究者提供参考。...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值