2D-ObjectDetection算法综述

2024-02-18 10:32

本文主要是介绍2D-ObjectDetection算法综述,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!


layout: post
title: 2D检测算法综述(2D Detection)
date: 2021-07-25 17:19:40.000000000 +09:00
categories: [算法篇]
tags: [CV, 综述]


文章可能存在格式问题,欢迎访问个人博客

  • 前言
  • 公开数据集
  • 经典论文
  • 基本结构
  • Backbone
  • 超参
  • Loss
  • 经典检测经典框架
  • 网络加速
  • 通用检测Tricks
  • 部分论文解读Links

前言

update on 4/10/2021: 终于完成了2D_Detection系列,算是对之前自己在这个领域工作的一点回顾,之后自己会不定期更新一些深度学习模型部署的文章以及论文解读的文章

本文旨在总结之前自己涉及的 2D-Detection 相关的知识内容,按照下文组织内容,分篇章不定时更新。

主要参考来源:

  • <<深度学习之Pytorch物体检测实战>>
  • 网络: 知乎 / CSDN etc

公开数据集

常用的数据集链接如下:

  • 2D物体检测数据集:
    • Pascal VOC
    • Object365
    • COCO
  • 3D物体检测数据集:
    • KITTI
    • nuScenes
    • Lyft
    • Waymo

经典论文

说明: 更新于2021-05-02

参考:github_object_detection

不同Detectio算法框架性能对比:

| Detector | VOC07(mAP@IoU=0.5) | VOC12(mAP@IoU=0.5) | COCO(mAP@IoU=0.5:0.95) | Published In |
| RCNN | 58.5 | - | - | CVPR’14 |
| SPP-Net | 59.2 | - | - | ECCV’14 |
| MR-CNN | 78.2(07+12) | 73.9(07+12) | - | ICCV’15 |
| Fast RCNN | 70.0(07+12) | 68.4(07+12) | 19.7 | ICCV’15 |
| Faster RCNN | 73.2(07+12) | 70.4(07+12) | 21.9 | NIPS’15 |
| YOLO v1 | 66.4(07+12) | 57.9(07+12) | - | CVPR’16 |
| G-CNN | 66.8 | 66.4(07+12) | - | CVPR’16 |
| AZNet | 70.4 | - | 22.3 | CVPR’16 |
| ION | 80.1 | 77.9 | 33.1 | CVPR’16 |
| HyperNet | 76.3(07+12) | 71.4(07+12) | - | CVPR’16 |
| OHEM | 78.9(07+12) | 76.3(07+12) | 22.4 | CVPR’16 |
| MPN | - | - | 33.2 | BMVC’16 |
| SSD | 76.8(07+12) | 74.9(07+12) | 31.2 | ECCV’16 |
| GBDNet | 77.2(07+12) | - | 27.0 | ECCV’16 |
| CPF | 76.4(07+12) | 72.6(07+12) | - | ECCV’16 |
| R-FCN | 79.5(07+12) | 77.6(07+12) | 29.9 | NIPS’16 |
| DeepID-Net | 69.0 | - | - | PAMI’16 |
| NoC | 71.6(07+12) | 68.8(07+12) | 27.2 | TPAMI’16 |
| DSSD | 81.5(07+12) | 80.0(07+12) | 33.2 | arXiv’17 |
| TDM | - | - | 37.3 | CVPR’17 |
| FPN | - | - | 36.2 | CVPR’17 |
| YOLO v2 | 78.6(07+12) | 73.4(07+12) | - | CVPR’17 |
| RON | 77.6(07+12) | 75.4(07+12) | 27.4 | CVPR’17 |
| DeNet | 77.1(07+12) | 73.9(07+12) | 33.8 | ICCV’17 |
| CoupleNet | 82.7(07+12) | 80.4(07+12)) | 34.4 | ICCV’17 |
| RetinaNet | - | - | 39.1 | ICCV’17 |
| DSOD | 77.7(07+12) | 76.3(07+12) | - | ICCV’17 |
| SMN | 70.0 | - | - | ICCV’17 |
| Light-Head R-CNN | - | - | 41.5 | arXiv’17 |
| YOLO v3 | - | - | 33.0 | arXiv’18 |
| SIN | 76.0(07+12) | 73.1(07+12) | 23.2 | CVPR’18 |
| STDN | 80.9(07+12) | - | - | CVPR’18 |
| RefineDet | 83.8(07+12) | 83.5(07+12) | 41.8 | |
| SNIP | - | - | 45.7 | CVPR’18 |
| Relation-Network | - | - | 32.5 | CVPR’18 |
| Cascade R-CNN | - | - | 42.8 | CVPR’18 |
| MLKP | 80.6(07+12) | 77.2(07+12) | 28.6 | CVPR’18 |
| Fitness-NMS | - | - | 41.8 | CVPR’18 |
| RFBNet | 82.2(07+12) | - | - | ECCV’18 |
| CornerNet | - | - | 42.1 | ECCV’18 |
| PFPNet | 84.1(07+12) | 83.7(07+12) | 39.4 | ECCV’18 |
| Pelee | 70.9(07+12) | - | - | NIPS’18 |
| HKRM | 78.8(07+12) | - | 37.8 | NIPS’18 |
| M2Det | - | - | 44.2 | AAAI’19 |
| E-DAD | 81.2 | 82.0 | 43.1 | AAAI’19 |
| ScratchDet | 84.1(07+12) | 83.6(07+12) | 39.1 | CVPR’19 |
| Libra R-CNN | - | - | 43.0 | CVPR’19 |
| Reasoning-RCNN | 82.5(07+12) | - | 43.2 | CVPR’19 |
| FSAF | - | - | 44.6 | CVPR’19 |
| AmoebaNet+NAS-FPN | - | - | 47.0 | CVPR’19 |
| Cascade-RetinaNet | - | - | 41.1 | CVPR’19 |
| TridenNet | - | - | 48.4 | ICCV’19 |
| DAFS | 85.3(07+12) | 83.1(07+12) | 40.5 | ICCV’19 |
| Auto-FPN | 81.8(07+12) | - | 40.5 | ICCV’19 |
| FCOS | - | - | 44.7 | ICCV’19 |
| FreeAnchor | - | - | 44.8 | NeurIPS’19 |
| DetNAS | 81.5(07+12) | - | 42.0 | NeurIPS’19 |
| NATS | - | - | 42.0 | NeurIPS’19 |
| AmoebaNet+NAS-FPN+AA | - | - | 50.7 | arXiv’19 |
| EfficientDet | - | - | 51.0 | arXiv’19 |

基本结构

2D_Detection-基本深度学习单元

Backbone

2D_Detection-Backbone

超参

2D_Detection-超参

Loss

2D_Detection-Loss

经典检测经典框架

2D_Detection-经典检测算法框架

模型加速

2D_Detection-模型加速(网络篇)

2D_Detection-模型加速(工程篇)

常见场景检测Tricks

2D_Detection-通用检测Tricks

部分论文解读Links

SSD论文解读

YOLO论文系列解读

NMS-Soft-NMS

这篇关于2D-ObjectDetection算法综述的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/720866

相关文章

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个