深度学习目标检测历史发展

最新推荐文章于 2024-05-13 14:03:45 发布
最新推荐文章于 2024-05-13 14:03:45 发布
阅读量881 收藏 8
点赞数
分类专栏： 目标检测 文章标签： 目标检测 深度学习
原文链接：https://github.com/hoya012/deep_learning_object_detection
版权

前言

使用深度学习的目标检测的纸质列表。我在参考这份调查报告和搜索和搜索时写了这个页面。

最后更新时间：2019/07/31

更新日志

2018/9/18 - 更新所有最近的论文，并使用深度学习制作关于物体检测历史的图表。 2018/9/26 - 更新文件代码。（官方和非官方）
2018年/ 10月 - 更新5篇论文和表现表。
2018年/ 11月 - 更新9篇论文。
2018年/ 12月 - 更新8篇论文和性能表并添加新图表（2019年版本!!）。
2019年/ 1月 - 更新4篇论文并添加常用数据集。
2019年/ 2月 - 更新3篇论文。
2019年/ 3月 - 更新图形和代码链接。
2019年/ 4月 - 删除作者姓名并更新ICLR 2019和CVPR 2019论文。
2019 /可 - 更新CVPR 2019年论文。
2019年/ 6月 - 更新CVPR 2019年论文和数据集论文。
2019年/ 7月 - 更新BMVC 2019年论文和一些ICCV 2019年论文。

 

目录

 

2014年至今的纸质清单（2019年）

用红色字符突出显示的部分意味着我认为“必读”的论文。但是，这是我个人的意见，其他论文也很重要，所以如果你有时间，我建议你阅读。

 

性能表

FPS（速度）索引与硬件规格（例如CPU，GPU，RAM等）有关，因此很难进行相同的比较。解决方案是测量具有相同规格的硬件上所有型号的性能，但这非常困难且耗时。

探测器VOC07（mAP@IoU=0.5）VOC12（mAP@IoU=0.5）COCO（mAP@IoU=0.5:0.95）出版于
R-CNN58.5--CVPR'14
SPP-网59.2--ECCV'14
MR-CNN78.2（07 + 12）73.9（07 + 12）-ICCV'15
快速R-CNN70.0（07 + 12）68.4（07 ++ 12）19.7ICCV'15
更快的R-CNN73.2（07 + 12）70.4（07 ++ 12）21.9NIPS'15
YOLO v166.4（07 + 12）57.9（07 ++ 12）-CVPR'16
G-CNN66.866.4（07 + 12）-CVPR'16
AZNet70.4-22.3CVPR'16
离子80.177.933.1CVPR'16
HyperNet76.3（07 + 12）71.4（07 ++ 12）-CVPR'16
OHEM78.9（07 + 12）76.3（07 ++ 12）22.4CVPR'16
MPN--33.2BMVC'16
SSD76.8（07 + 12）74.9（07 ++ 12）31.2ECCV'16
GBDNet77.2（07 + 12）-27.0ECCV'16
CPF76.4（07 + 12）72.6（07 ++ 12）-ECCV'16
R-FCN79.5（07 + 12）77.6（07 ++ 12）29.9NIPS'16
DeepID-网69.0--PAMI'16
片上网络71.6（07 + 12）68.8（07 + 12）27.2TPAMI'16
DSSD81.5（07 + 12）80.0（07 ++ 12）33.2arXiv'17
TDM--37.3CVPR'17
FPN--36.2CVPR'17
YOLO v278.6（07 + 12）73.4（07 ++ 12）-CVPR'17
RON77.6（07 + 12）75.4（07 ++ 12）27.4CVPR'17
DeNet77.1（07 + 12）73.9（07 ++ 12）33.8ICCV'17
CoupleNet82.7（07 + 12）80.4（07 ++ 12）34.4ICCV'17
RetinaNet--39.1ICCV'17
DSOD77.7（07 + 12）76.3（07 ++ 12）-ICCV'17
SMN70.0--ICCV'17
轻头R-CNN--41.5arXiv'17
YOLO v3--33.0arXiv'18
罪76.0（07 + 12）73.1（07 ++ 12）23.2CVPR'18
STDN80.9（07 + 12）--CVPR'18
RefineDet83.8（07 + 12）83.5（07 ++ 12）41.8CVPR'18
SNIP--45.7CVPR'18
关系网--32.5CVPR'18
级联R-CNN--42.8CVPR'18
MLKP80.6（07 + 12）77.2（07 ++ 12）28.6CVPR'18
健身-NMS--41.8CVPR'18
RFBNet82.2（07 + 12）--ECCV'18
CornerNet--42.1ECCV'18
PFPNet84.1（07 + 12）83.7（07 ++ 12）39.4ECCV'18
佩利70.9（07 + 12）--NIPS'18
HKRM78.8（07 + 12）-37.8NIPS'18
M2Det--44.2AAAI'19
R-DAD81.2（07 ++ 12）82.0（07 ++ 12）43.1AAAI'19

 

2014

2015年

2016

2017年

2018

2019

  • [M2Det] M2Det：基于多级特征金字塔网络的单次目标检测器| [AAAI'19] |[pdf] [official code - pytorch]

  • [R-DAD]基于区域分解和组装的目标检测 [AAAI'19] |[pdf]

  • [CAMOU] CAMOU：学习物理车辆伪装以对抗攻击野外探测器| [ICLR'19] |[pdf]

  • 用于对象检测的特征Intertwiner | [ICLR'19] |[pdf]

  • [GIoU]联合上的广义交集：边界框回归的度量和损失| [CVPR'19] |[pdf]

  • 使用自我训练自动将物体探测器调整到新的域 [CVPR'19] |[pdf]

  • [天秤座R-CNN]天秤座R-CNN：物体检测的平衡学习| [CVPR'19] |[pdf]

  • 用于单次物体检测的特征选择性无锚模块| [CVPR'19] |[pdf]

  • [ExtremeNet]通过分组极端和中心点进行自下而上的物体检测| [CVPR'19] | [pdf]|[official code - pytorch]

  • [C-MIL] C-MIL：用于弱监督对象检测的连续多实例学习| [CVPR'19] | [pdf]|[official code - torch]

  • [ScratchDet] ScratchDet：从Scratch训练单次物体探测器 [CVPR'19] |[pdf]

  • 精确物体检测的不确定边界框回归分析 [CVPR'19] | [pdf]|[official code - caffe2]

  • 活动驱动的弱监督对象检测| [CVPR'19] |[pdf]

  • 用AP损失实现精确的单级物体检测| [CVPR'19] |[pdf]

  • 自适应对象检测的强弱分布对齐| [CVPR'19] | [pdf]|[official code - pytorch]

  • [NAS-FPN] NAS-FPN：学习用于对象检测的可扩展特征金字塔结构| [CVPR'19] |[pdf]

  • [自适应NMS]自适应NMS：改进人群中的行人检测| [CVPR'19] |[pdf]

  • 指出：限制：超越人群中的人数 [CVPR'19] |[pdf]

  • 定位没有边界框的对象| [CVPR'19] |[pdf]

  • 从稀疏注释对象中进行大规模目标检测的采样技术 [CVPR'19] |[pdf]

  • 通过域注意实现通用对象检测| [CVPR'19] |[pdf]

  • 探索物体检测语境效用的界限| [CVPR'19] |[pdf]

  • 我应该使用什么物品？ - 任务驱动的对象检测| [CVPR'19] |[pdf]

  • 基于相异系数的弱监督对象检测| [CVPR'19] |[pdf]

  • 通过选择性跨域对齐调整对象检测器| [CVPR'19] |[pdf]

  • 用于物体检测的全量化网络| [CVPR'19] |[pdf]

  • 具有细粒度特征模仿的蒸馏物体探测器| [CVPR'19] |[pdf]

  • 通过回收边界框注释的多任务自监督对象检测| [CVPR'19] |[pdf]

  • [推理-RCNN]推理-RCNN：将自适应全局推理统一为大规模目标检测 [CVPR'19] |[pdf]

  • 具有自适应文本区域表示的任意形状场景文本检测| [CVPR'19] |[pdf]

  • 辅助激活激活：改进物体探测器的学习技术| [CVPR'19] |[pdf]

  • 用于大规模目标检测的空间感知图关系网络 [CVPR'19] |[pdf]

  • [MaxpoolNMS] MaxpoolNMS：摆脱两阶段物体探测器中的NMS瓶颈问题 [CVPR'19] |[pdf]

  • 收获你播种的内容：为弱监督对象检测生成高精度对象建议 [CVPR'19] |[pdf]

  • 具有位置感知可变形卷积和后向注意过滤的对象检测| [CVPR'19] |[pdf]

  • 多样化和匹配：用于对象检测的域自适应表示学习范例| [CVPR'19] |[pdf]

  • [GFR]通过门控特征重用从头开始改善物体检测| [BMVC'19] | [pdf]|[official code - pytorch]

  • [Cascade RetinaNet] Cascade RetinaNet：维持单级物体检测的一致性| [BMVC'19] |[pdf]

  • 用于鲁棒物体检测的软采样| [BMVC'19] |[pdf]

  • 用于无限制对象检测的多对等Faster-RCNN | [ICCV'19] |[pdf]

  • 对抗鲁棒性对象检测| [ICCV'19] |[pdf]

  • [Cap2Det] Cap2Det：学习放大对象检测的弱字幕监控| [ICCV'19] |[pdf]

  • [Gaussian YOLOv3] Gaussian YOLOv3：一种使用定位不确定性进行自动驾驶的精确快速物体检测器 [ICCV'19] |[pdf]

 

数据集论文

常用对象检测数据集的统计。该表来自该调查报告。

挑战对象类图像数量注释图像的数量
培养瓦尔测试培养瓦尔
PASCAL VOC物体检测挑战
VOC072025012,5104,9526,301（7,844）6,307（7,818）
VOC0820211122214,1335,082（6,337）5,281（6,347）
VOC092034733,5816,6508,505（9,760）8,713（9,779）
VOC102049985,105963711,577（13,339）11,797（13,352）
VOC11205,7175,8231099413,609（15,774）13,841（15,787）
VOC12205,7175,8231099113,609（15,774）13,841（15,787）
ILSVRC对象检测挑战
ILSVRC13200395909201214015234585455502
ILSVRC14200456567201214015247880755502
ILSVRC15200456567201215129447880755502
ILSVRC16200456567201216000047880755502
ILSVRC172004565672012165,50047880755502
MS COCO对象检测挑战
MS COCO1580827834050481434604907291875
MS COCO1680827834050481434604907291875
MS COCO178011828750004067086000136781
MS COCO188011828750004067086000136781
打开图像对象检测挑战
OID1850017430424162012543612195144-

与主要用于物体检测的数据集有关的论文如下。

  • [PASCAL VOC] PASCAL视觉对象类（VOC）挑战| [IJCV'10] |[pdf]

  • [PASCAL VOC] PASCAL视觉对象类挑战：回顾| [IJCV'15] | [pdf]|[link]

  • [ImageNet] ImageNet：大规模分层图像数据库| [CVPR'09] |[pdf]

  • [ImageNet] ImageNet大规模视觉识别挑战| [IJCV'15] | [pdf]|[link]

  • [COCO] Microsoft COCO：上下文中的常见对象| [ECCV'14] | [pdf]|[link]

  • [打开图像]打开图像数据集V4：统一图像分类，对象检测和视觉关系检测| [arXiv'18] | [pdf]|[link]

  • [DOTA] DOTA：航空影像中物体检测的大型数据集| [CVPR'18] | [pdf]|[link]

神罗Noctis
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
深度学习在目标检测领域的发展历程综述
CltCj的博客
06-24 2085
深度学习 基础知识和各种网络结构实战 ... 深度学习在目标检测领域的发展历程深度学习前言一、双级检测器二、单级检测器参考文献总结 前言 先简要介绍一下目标检测，而面对目标检测，我们总是会提出的两点问题，这个物体是什么？以及它在哪里？而我对它用更确切的话说就是，对目标的定位和分类。目标检测主要做的工作就是这两个。 以2014年为分水岭，目标检测在过去20年中可以大致分为两种时期，一是2014年之前传统的目标检测阶段，二是2014年后基于深度学习的目标检测阶段。本节主要对基于深度学习[6][7]的目标检
目标检测架构5年演进全盘点：从R-CNN到RFBNet
weixin_34208283的博客
09-26 1090
目标检测是计算机视觉领域的基本且重要的问题之一，而「一般目标检测」则更注重检测种类广泛的自然事物类别。近日，中国国防科技大学、芬兰奥卢大学、澳大利亚悉尼大学、香港中文大学、加拿大滑铁卢大学的研究者在 arXiv 发布了一篇综述论文，对用于一般目标检测的深度学习技术进行了全面系统的总结。机器之心选取了其中部分内容进行介绍，更详细的内容请参阅原论文。 ...
2024年【深度学习】（四）目标检测(3)，2024年最新三幅图给你弄懂EventBus核心原理
最新发布
2401_84181326的博客
05-13 1039
如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。。难度逐渐递增，对图像特征的提取也更加精细。
解析深度学习中各类目标检测模型的发展沿革与功能特性
qq_62530454的博客
09-13 1082
本文其实和笔者近期发表的其他文章同属robomaster学习过程中的经验分享，不过笔者希望主线里面的Ubuntu和ROS要素不被冲淡，所以并未归纳进去。这里主要介绍的是从13年开始逐渐兴起的目标检测模型到目前为止的发展历程以及其中一些关键模型的参数对比与优化分析。
深度学习中目标检测的原理概述--发展历史
my_name_is_learn的博客
04-21 1268
深度学习中目标检测的原理概述–发展历史 前言：图像的目标检测经历了几个不同的阶段，使用的方法不断改善并且效果不断优化 阶段一传统的目标检测方法 传统的目标检测方法大多以图像识别为基础。一般通过四个步骤来完成；步骤一、在图片上使用穷举发选出所有物体可能出现的区域框。步骤二、对这些区域框提取特征。步骤三、使用图像识别方法对特征进行分类。步骤四、通过非极大值抑制输出结果 改善传统目标检测的方法，阶段二R...
关于深度学习在目标检测上的一些发展历史
Jason_yyz的博客
04-20 1091
个人笔记，均是个人的一点浅薄的见解，可能存在很多不足之处，欢迎指正。持续修改中......R-CNN，SPPNet，Fast RCNN，Faster RCNN，YOLO，SSD，R-FCNR-CNN:(基于区域的卷积神经网络)（1）region proposal（通过SS（selective search，选择性搜索））选择2k左右的图像区域。（2）使用训练好的CNN（AlexNet，VGG）作为...
人工智能论文：基于深度学习的目标检测技术综述.pdf
05-24
随着深度学习的兴起，尤其是卷积神经网络（CNN）的发展，目标检测的精确度和速度都有了显著提升。 深度学习模型，特别是CNN，已经成为目标检测的核心。CNN以其强大的特征提取能力，通过多层结构学习从原始像素到...
基于深度学习目标检测算法综述
08-27
目标检测（Object Detection）是计算机视觉领域的基本任务之一...年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法
斯坦福目标检测深度学习指南.pdf
08-19
斯坦福目标检测深度学习指南.pdf 深度学习在目标检测中的应用越来越广泛，Faster R-CNN、R-FCN 和 SSD 是市面上最好的目标检测模型。这些模型之间的关系和原理是什么呢？本文将对 Faster R-CNN、R-FCN 和 SSD 进行...
深度学习目标检测文档.docx
02-12
总结来说，YOLO作为深度学习目标检测的重要算法，成功地在速度与精度之间找到了一个良好的平衡点，尤其适用于需要实时检测的场景。通过对不同算法的比较分析，我们可以更好地理解它们各自的优势和应用场景，以便在...
目标检测详细发展史详细综述.rar
11-16
本综述将深入探讨目标检测的历史演进，重点关注深度学习在其中的角色。 一、早期目标检测方法 在深度学习普及之前，传统的目标检测技术主要包括滑动窗口法和级联分类器，如AdaBoost和HOG（Histogram of Oriented ...
深度学习时代的目标检测算法综述
01-27
本文来自于网络，本文主要介绍了目标检测可以实际应用的生活场景以及目标检测的主要问题和深度学习的方法等相关知识。这或许是计算机视觉领域内最著名的问题。它主要指将一张图像归为某种类别。学术界最流行的一类数据集是ImageNet，由数以百万计已分好类的图像组成，（部分）用于年度ImageNet大规模视觉识别挑战比赛（ILSVRC）。近年来，分类模型已经超过了人类的表现，因此该问题基本算是一个已经解决的问题。图像分类领域有许多挑战，但是也有许多文章介绍已经解决了的，以及未解决的挑战。图分类样例与分类类似，定位问题是找到图像中单一物体的位置。图目标定位示例目标定位在实际生活中是很有用的。例如，智能裁
【深度学习】基于深度学习的目标检测研究进展
guduruyu的专栏
08-02 2904
本文主要对基于深度学习的目标检测算法进行剖析和总结，文章分为四个部分：第一部分大体介绍下传统目标检测的流程，第二部分介绍以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO, SSD); 第四部分介绍一些可以提高目标检测性能的技巧和方法。
深度学习目标检测模型发展过程：R-CNN Fast R-CNN Faster R-CNN R-FCN
qq_16540387的博客
12-25 1131
一 R-CNN 模型如果要拟人化比喻，那 R-CNN 肯定是 Faster R-CNN 的祖父了。换句话说，R-CNN 是一切的开端。R-CNN，或称 Region-based Convolutional Neural Network，其工作步骤如下：1.借助一个可以生成约 2000 个 region proposal 的「选择性搜索」（Selective Search）算法，R-CNN 可以对输入
深度学习在目标检测进展
Touch_Dream的博客
08-26 3372
基于深度学习的目标检测目前主要是基于卷积神经网络和候选区域region proposal。本文将从四个方面对其进行阐述。一、传统目标检测主线：区域选择->特征提取->分类器 1、区域选取 采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分
基于深度学习的目标检测研究进展
陈龙ＣＬ的博客
07-24 1万+
目标检测领域得益于卷积神经网络CNN和region proposal算法的发展，在各种大规模竞赛数据集（ImageNet，Pascal VOC,COCO等）上准确率突飞猛增。 目标检测中非常重要的指标：识别精度，识别速度，定位精度 目标检测中衡量识别精度的指标是mAP（mean average precision）。多个类别物体检测中，每一个类别都可以根据recall和precision绘制一
基于深度学习的目标检测算法发展综述（2022.6.16第二版）
热门推荐
qq_41259302的博客
06-14 2万+
自己结合自己所学，以及一些中文外文关于目标检测的综述，整理了一篇大概内容发展的博客，希望给自己之后的复习能提供复盘记忆，也希望能为初学者省去一些文献寻找以及内容整合的时间。............
基于深度学习的目标检测发展综述（持续更新。。。）
qq_41590635的博客
04-22 3358
0 前言 所谓目标检测，就是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观、形状、姿态，加上成像时光照、角度、遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题之一。 计算机视觉中关于图像识别有四大类任务： 分类(Classification)：解决“是什么”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标； ...
目标检测的发展
孙永杰的博客
03-17 4477
2014年，Ross Girshick等人提出R-CNN，首次利用CNN进行目标检测。 RCNN通过Selective Search算法进行region proposals，使用CNN对proposals提取特征，然后将提取的特征输入SVM进行分类，最后利用全连接网络进行边框回归（线性脊回归）。 图片要先经过Selective Search算法产生的proposals，然后在图片上截取proposals区域，对proposals区域Resize之后，将其输入CNN进行分类。 proposals区域会有大量重
深度学习驱动的目标检测：20年的演进与综述
"《Object Detection in 20 Years: A Survey》是由Zhengxia Zou博士等人撰写的关于视觉目标检测的综述论文，全面...《Object Detection in 20 Years: A Survey》是理解目标检测历史、现状和未来趋势的重要参考资料。
评论 1
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