目标识别算法C语言,大盘点 | 性能最强的目标检测算法

原标题:大盘点 | 性能最强的目标检测算法

97190a0042b15f16f45aca9ffd9fc75d.png

来源:CVer(ID:CVerNews)

作者:Amusi

整理编辑:三石

【新智元导读】目标检测中存在两个非常重要的性能:精度和速度,特指mAP和FPS。本文便对mAP最高的目标检测算法进行了盘点。

趁最近目标检测(Object Detection)方向的论文更新较少,赶紧做个"最强目标检测算法"大盘点。

要知道衡量目标检测最重要的两个性能就是 精度和速度,特指mAP 和 FPS。其实现在大多数论文要么强调 mAP 很高,要么就是强调 mAP 和 FPS 之间 Trade-off 有多好。

本文就来盘点一下 mAP 最高的目标检测算法,小编将在COCO数据集上 mAP 最高的算法认为是"性能最强"目标检测算法。(COCO数据集是现在最主流的目标检测数据集,这一点看最新的顶会论文就知道了)

时间:2019.07.07

盘点内容:目标检测 mAP 最高的算法

说到目标检测算法,大家脑子里最先蹦出来的算法应该是 Faster R-CNN 和 YOLOv3。这一点在我调研的时候,从大家的反馈明显看得出来。

要知道 Faster R-CNN已经是2015年提出的论文了,而YOLOv3发表出来也已经一年多了。最近目标检测相关的论文,比较典型的有:SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、两个CenterNet 和 CornerNet-Lite等。

这里罗列了几个mAP很强很强的算法,并以时间线的角度来展示。

注意:各个网络使用不同backbone,或加不同的tricks,都会有不同的 mAP。所以小编只介绍所能查到最强的算法或者最强组合算法。

SNIPER: Efficient Multi-Scale Training

463aed564bd8e056d8a061a357a61836.png

mAP:47.6

Date:2018.05.23

arXiv:https://arxiv.org/abs/1805.09300

https://github.com/MahyarNajibi/SNIPER/

601e8b862b70f4f0346c6fc0148b8ff2.png

TridentNet:Scale-Aware Trident Networks for Object Detection

001a8cc8ed52d2bc4e465745403f688e.png

mAP:48.4

Date:2019.01.07 (已开源)

arXiv:https://arxiv.org/abs/1901.01892

https://github.com/TuSimple/simpledet

0069c0e9c4257ece234ec41329822441.png

HTC + DCN + ResNeXt-101-FPN

47c766c13d293432b4478440830b5947.png

mAP:50.7

Date:2019.01.22 (已开源)

arXiv:https://arxiv.org/abs/1901.07518

https://github.com/open-mmlab/mmdetection

20af657f20be6eb16bf7c288519860d0.png

8dc5d3fca4b6ee92bf0c07219636fa6b.png

NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection

89c552dd26d88303000139a6e02a7f47.png

mAP:48.3

Date:2019.04.16 (未开源)

arXiv:https://arxiv.org/abs/1904.07392

861ecd6221a8c99660f0f720ea53f490.png

CornerNet-Saccade+gt attention

1d22e03b287e047391c3d80337d4c3ca.png

mAP:50.3

Date:2019.04.18 (已开源)

arXiv:https://arxiv.org/abs/1904.08900

https://github.com/princeton-vl/CornerNet-Lite

37e75e06fb80df1d61e14f263cf93bd8.png

Cascade R-CNN:High Quality Object Detection and Instance Segmentation

39575582c5e90c869b0a6df04b51a78a.png

mAP:50.9

Date:2019.06.24 (已开源)

arXiv:https://arxiv.org/abs/1906.09756

Caffe:https://github.com/zhaoweicai/cascade-rcnn

PyTorch:https://github.com/zhaoweicai/Detectron-Cascade-RCNN

329b272feace07595d279a8b2863fcda.png

Learning Data Augmentation Strategies for Object Detection

fca2f0bc78f3d4d29770d814bdd25743.png

mAP:50.7

Date:2019.06.26 (已开源)

arXiv:https://arxiv.org/abs/1906.11172

https://github.com/tensorflow/tpu/tree/master/models/official/detection

784c87df30b9ddea8aacfb319a136989.png

综上所述,可知改进后的 Cascade R-CNN 算法是目前(2019.07.07)目标检测方向性能最强的算法,其 mAP 为 50.9。

侃侃

这里将 mAP 作为目标检测最强的指标,确实有失偏颇,不够严谨,因为很多人将目标检测应用在不同的任务上,其实要求的性能也有所不同。但请放心,小编后续会统计一波 FPS最快的目标检测算法 和 mAP-FPS Trade-off 最佳的算法。

本文经授权转载自微信公众号“CVer”,ID:CVerNews返回搜狐,查看更多

责任编辑:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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