一个综述关于深度学习目标检测 A Survey of Deep Learning-based Object Detection

论文地址：https://arxiv.org/pdf/1907.09408.pdf

摘要

       目标检测是最重要和最具挑战的分支在计算机视觉领域，它有广泛的应用在人的生活中，例如监控安全，自动驾驶等等，以定位为例分割目标的一个确定类。随着深度学习的发展对检测任务，这个表现在目标检测已经取得很好的提高。为了了解这个主要的发展状态在目标检测领域，在这个调查中，我们首先分析了方法中存在类型的检测模型以及描述标准的数据库。然后主要的，我们提供了一个整体的理解在各种目标检测方法用一个系统方法，包括一阶段和二阶段检测器。另外，我们列举传统和新的应用。一些展示分支的目标检测被分析。最后，我们讨论框架的开发这些目标检测方法来建立一个有效和高效的系统，指出一系列的发展方向来做前沿的算法和将来的研究。

深度学习目标检测框架分为：一阶段 和 二阶段

图a包括区域建议网络来生成区域建议进入分类和回归器；

图b一阶段检测器，直接预测框从输入图像；

二阶段：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN

一阶段：YOLO、YOLOv2、YOLOv3、RetinaNet、SSD、DSSD、RefineDet

Relation Networks for Object Detection、DCNv2、NAS-FPN、M2Det

四种统一特征对不同大小的目标预测

SSD、DSSD、RetinaNet残差网络上应用

在MS COCO数据集上各方法的测试结果

数据集：PASCAL VOC、MS COCO、ImageNet、VisDrone、Open Images V5、Pedestrian detection 

数据集 MS COCO 以及 PASCAL VOC

VisDrone 2018 数据集

目标检测：增强特征、增加局部精度、解决积极与消极非平衡问题、提高后处理NMS方法、结合一阶段和二阶段得到比较好的结果、复杂场景解决、从头开始训练、设计新的框架、提高检测速度、实现快&高检测

目标检测ILSVRC数据集和PASCAL VOC数据集

人物检测数据库对比

行人检测对比

各种尺度的目标检测问题

启发式方法确定合适的目标框

稠密、较小人脸检测

目标检测数据集样例

3D目标检测

人体姿态估计

更多《计算机视觉与图形学》知识，可关注下方公众号：