CVPR2017 2D目标检测相关论文

0. 总得来说~

这里几篇文章都是2D图像目标检测相关，这些文章的重点集中在小目标检测上，它们设计了很多结构来提高网络多尺度目标检测的性能。

但是对于小目标检测的问题，我看到知乎上的一个回答，结合实际应用，感觉说得很诚恳，很在理。

感觉2D目标检测，最重要的是对速度/准确率的选择和权衡，小目标多尺度检测的问题通过框架与实践来解决为上。所以模型压缩相关论文，框架比较相关论文，网络加速相关论文还是非常值得学习的！

放个精选链接：http://www.qbiao.com/30908.html

2D检测感觉快被玩透了，其他工作如：3D目标检测，跟踪算法，匹配算法，视频处理方法，机器学习解释与可视化（Model Interpretation & Debugging）等，倒是感觉更有趣一些

1. Speed/accuracy trade-offs for modern convolutional object detectors

参考博客：

http://blog.csdn.net/touch_dream/article/details/77488638

https://www.leiphone.com/news/201708/69tubrJUvdaAPw1Z.html

http://blog.csdn.net/he_is_all/article/details/56485921

• 这篇文章主要权衡了三种被称为“元结构”（meta-architectures）的主流detector—Faster R-CNN，R-FCN 和SSD之间的精确率与速度。

• 实验得出，在Faster R-CNN中，使用更少的proposals能够使系统的速度有显著提升，而且不会造成精确度上较多的损失，从而使得其与SSD、R-FCN等相比后更具竞争力。相比于Faster
  R-CNN和R-FCN，SSD对于特征提取器的质量更为不敏感

• 特征提取器对精度的影响

• 物体尺寸：物体较大更好

• 图片尺寸：分辨率降低2%，精度明显下降

• 最快与最准：

  最快的模型为低分辨率下MobileNet+SSD，精度最高网络为Inception Resnet v2 + 300 proposal Faster RCNN。速度精度权衡到最佳的模型为Resnet 101 + 100 proposal Faster RCNN和Resnet 101 + 300 proposal R-FCN。

---