cvpr2019 目标检测算法_CVPR2018+ECCV2018目标检测算法汇总

最新推荐文章于 2023-04-24 16:27:52 发布
最新推荐文章于 2023-04-24 16:27:52 发布
阅读量385 收藏 2
点赞数
文章标签： cvpr2019 目标检测算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39767124/article/details/111793771
版权

特别感谢实验室小雷同学汇总此篇，日后学习目标跟踪可以有个好的方向好的借鉴，哪怕是比赛的时候选模型都可以参考一下。

----------------------------------------------------------

论文对应序号

method

dataset

code

VOC2007

VOC2012

COCO

1

Cascade R-CNN

42.8(AP)

有

2

Relation Net

39.0(加到别的方法上)

有

3

RefineDet

85.8

86.8

41.8(AP)

有

4

SNIP

有

5

R-FCN-3000

43.3(ImageNet)

无

6

DES

84.3

83.7

32.8

无

7

STDN

80.9

31.8

有

8

W2F

52.4

47.8

无

9

无简写

51.2

无

10

MELM

47.3

42.4

有

11

SSM

62.9

有

12

无简写

82.9

35.6(AP)

有

13

PAD

80.7

79.5

无

14

ZLDN

47.6

42.9

无

15

无简写

39.5

无

16

MegDet

52.5(mmAP)

无

17

drl-RPN

76.4

72.2

有

18

SIN

76.0

73.1

23.2(AP)

有

19

SOD-MTGAN

41.4(AP)

无

20

ML-LocNet

49.7

43.6

16.2(COCO2014)

无

21

DetNet

40.3

有

22

无简写

50.4

69.3

无

23

无简写

25.4

22.9

无

24

无简写

82.4

81.1

34.6(AP)

无

25

RFB-NET

82.2

29.7(COCO2014)

34.4(COCO2015)

有

26

PFP-NET

84.1

83.7

41.8

有

27

TS2C

44.3

40.0

无

28

SAN

82.8

43.4

无

29

无简写

81.2

mmAP:39.3(COCO2017)

无

30

无简写

42.0(AP)

无

附：

(1)论文对应序号中，序号1-18篇收录于CVPR，19-30收录于ECCV。

(2)在经典数据库的检测精度取在论文中实现的最高精度，不考虑base network。

(3)method列仅写出算法简称。

(4)针对COCO数据集的检测结果不可进行统一比较。有的是在COCO2014、COCO2015或者是COCO2017上测试，评价指标稍有不同。

(5)CVPR2019论文未公布。

======以下排名仅对论文中有在对应数据集测试的算法进行排序=========

VOC2007数据集排名

论文对应序号

method

mAP

排名

3

RefineDet

85.8

1

6

DES

84.3

2

26

PFP-NET

84.1

3

12

无简写

82.9

4

28

SAN

82.8

5

24

无简写

82.4

6

25

RFB-NET

82.2

7

7

STDN

80.9

8

13

PAD

80.7

9

17

drl-RPN

76.4

10

18

SIN

76.0

11

11

SSM

62.9

12

8

W2F

52.4

13

9

无简写

51.2

14

22

无简写

50.4

15

20

ML-LocNet

49.7

16

14

ZLDN

47.6

17

10

MELM

47.3

18

27

TS2C

44.3

19

23

无简写

25.4

20

VOC2012数据集排名

论文对应序号

method

mAP

排名

3

RefineDet

86.8

1

6

DES

83.7

2

26

PFP-NET

83.7

2

29

无简写

81.2

3

24

无简写

81.1

4

13

PAD

79.5

5

18

SIN

73.1

6

17

drl-RPN

72.2

7

22

无简写

69.3

8

8

W2F

47.8

9

20

ML-LocNet

43.6

10

14

ZLDN

42.9

11

10

MELM

42.4

12

27

TS2C

40.0

13

23

无简写

22.9

14

22

无简写

50.4

15

20

ML-LocNet

49.7

16

14

ZLDN

47.6

17

10

MELM

47.3

18

27

TS2C

44.3

19

23

无简写

25.4

20

COCO数据集排名

论文对应序号

method

mAP

排名

16

MegDet

52.5(mmAP)

1

28

SAN

43.4

2

1

Cascade R-CNN

42.8(AP)

3

30

无简写

42.0(AP)

4

26

PFP-NET

41.8

5

3

RefineDet

41.8(AP)

6

19

SOD-MTGAN

41.4(AP)

7

21

DetNet

40.3

8

15

无简写

39.5

9

29

无简写

mmAP:39.3(COCO2017)

10

2

Relation Net

39.0(加到别的方法上)

11

12

无简写

35.6(AP)

12

24

无简写

34.6(AP)

13

25

RFB-NET

29.7(COCO2014)

34.4(COCO2015)

14

6

DES

32.8

15

7

STDN

31.8

16

18

SIN

23.2(AP)

17

20

ML-LocNet

16.2(COCO2014)

18

1、Cascaded RCNN

论文

Cascade R-CNN : Delving into High Quality Object Detection

论文链接

https://arxiv.org/abs/1712.00726

代码链接

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

实验结果

2、Relation Net

论文

Relation Networks for Object Detection

论文链接

https://arxiv.org/abs/1711.11575

代码链接

https://github.com/msracver/Relation-Networks-for-Object-Detection

实验结果

(实验是针对two stage系列的目标检测算法而言，在ROI Pooling后的两个全连接层和NMS模块引入object relation module，如Figure1所示，因此做到了完整的end-to-end训练。)

3、RefineDet

论文

Single-Shot Refinement Neural Network for Object Detection

论文链接

https://arxiv.org/abs/1711.06897

代码链接

https://github.com/sfzhang15/RefineDet

实验结果

4、SNIP

论文

An Analysis of Scale Invariance in Object Detection – SNIP

论文链接

https://arxiv.org/abs/1711.08189

代码链接

http://bit.ly/2yXVg4c(打不开)

实验结果

5、R-FCN-3000

论文

R-FCN-3000 at 30fps: Decoupling Detection and Classification

论文链接

https://arxiv.org/abs/1712.01802

代码链接

ImageNet实验结果

6、DES

论文

Single-Shot Object Detection with Enriched Semantics

论文链接

https://arxiv.org/abs/1712.00433

代码链接

实验结果

7、STDN

论文

Scale-Transferrable Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_Scale-Transferrable_Object_Detection_CVPR_2018_paper.pdf

代码链接

https://github.com/arvention/STDN

实验结果

8、W2F

论文

W2F: A Weakly-Supervised to Fully-Supervised Framework for Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_W2F_A_Weakly-Supervised_CVPR_2018_paper.pd

代码链接

实验结果

9、

论文

Multi-Evidence Filtering and Fusion for Multi-Label Classification, Object Detection and Semantic Segmentation Based on Weakly Supervised Learning

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Ge_Multi-Evidence_Filtering_and_CVPR_2018_paper.pdf

代码链接

实验结果

10、MELM

论文

Min-Entropy Latent Model for Weakly Supervised Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wan_Min-Entropy_Latent_Model_CVPR_2018_paper.pdf

代码链接

https://github.com/Winfrand/MELM

实验结果

11、SSM

论文

Towards Human-Machine Cooperation: Self-supervised Sample Mining for Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Towards_Human-Machine_Cooperation_CVPR_2018_paper.pdf

代码链接

https://github.com/yanxp/SSM-Pytorch

实验结果

12、

论文

Feature Selective Networks for Object Detection

论文链接

https://arxiv.org/abs/1711.08879

代码链接

https://github.com/robwec/feature-selective-networks

实验结果

13、PAD

论文

Pseudo Mask Augmented Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhao_Pseudo_Mask_Augmented_CVPR_2018_paper.pdf

代码链接

实验结果

14、ZLDN

论文

Zigzag Learning for Weakly Supervised Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Zigzag_Learning_for_CVPR_2018_paper.pdf

代码链接

实验结果

15、

论文

Learning Globally Optimized Object Detector via Policy Gradient

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Rao_Learning_Globally_Optimized_CVPR_2018_paper.pdf

代码链接

实验结果

16、MegDet

论文

MegDet: A Large Mini-Batch Object Detector

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Peng_MegDet_A_Large_CVPR_2018_paper.pdf

代码链接

实验结果

The MegDet is the backbone of our submission (mmAP 52.5%) to COCO 2017 Challenge, wherewe won the1st placeof Detection task.

17、drl-RPN

论文

Deep Reinforcement Learning of Region Proposal Networks for Object Detection

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Pirinen_Deep_Reinforcement_Learning_CVPR_2018_paper.pdf

代码链接

https://github.com/aleksispi/drl-rpn-tf

实验结果

18、SIN

论文

Structure Inference Net: Object Detection Using Scene-Level Context and Instance-Level Relationships

论文链接

http://openaccess.thecvf.com/content_cvpr_2018/papers/Liu_Structure_Inference_Net_CVPR_2018_paper.pdf

代码链接

https://github.com/choasup/SIN

实验结果

以下是ECCV2018论文

19、SOD-MTGAN

论文：SOD-MTGAN: Small Object Detection via Multi-Task Generative Adversarial Network

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Yongqiang_Zhang_SOD-MTGAN_Small_Object_ECCV_2018_paper.pdf

代码链接：

实验结果

20、ML-LocNet

论文：ML-LocNet: Improving Object Localization with Multi-view Learning Network

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Xiaopeng_Zhang_ML-LocNet_Improving_Object_ECCV_2018_paper.pdf

代码链接：

实验结果

21、DetNet

论文：DetNet: Design Backbone for Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Zeming_Li_DetNet_Design_Backbone_ECCV_2018_paper.pdf

实验结果

22、

论文：Weakly Supervised Region Proposal Network and Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Peng_Tang_Weakly_Supervised_Region_ECCV_2018_paper.pdf

代码链接：

实验结果

23、

论文：Zero-Annotation Object Detection with Web Knowledge Transfer

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Qingyi_Tao_Zero-Annotation_Object_Detection_ECCV_2018_paper.pdf

代码链接：

实验结果

24、

论文：Deep Feature Pyramid Reconfiguration for Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Tao_Kong_Deep_Feature_Pyramid_ECCV_2018_paper.pdf

代码链接：

实验结果

25、RFB-NET

论文：Receptive Field Block Net for Accurate and Fast Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Songtao_Liu_Receptive_Field_Block_ECCV_2018_paper.pdf

实验结果

26、PFP-NET

论文：Parallel Feature Pyramid Network for Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Seung-Wook_Kim_Parallel_Feature_Pyramid_ECCV_2018_paper.pdf

代码链接：

实验结果

27、TS2C

论文：TS2C: Tight Box Mining with Surrounding Segmentation Context for Weakly Supervised Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Yunchao_Wei_TS2C_Tight_Box_ECCV_2018_paper.pdf

代码链接：

实验结果

28、SAN

论文：

SAN: Learning Relationship between Convolutional Features for Multi-Scale Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Kim_SAN_Learning_Relationship_ECCV_2018_paper.pdf

代码链接：

实验结果

29、

论文：Deep Regionlets for Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Hongyu_Xu_Deep_Regionlets_for_ECCV_2018_paper.pdf

代码链接：

实验结果

30、

论文：Context Refinement for Object Detection

论文链接：

http://openaccess.thecvf.com/content_ECCV_2018/papers/Zhe_Chen_Context_Refinement_for_ECCV_2018_paper.pdf

代码链接：

实验结果

weixin_39767124
关注
基于深度学习的目标检测算法总结
weixin_42108090的博客
12-31 223
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究
最新发布
qq_36130719的博客
07-02 2485
目前，机器人在各个领域应用广泛，工厂车间中有工件搬运机器人，医院中有语 音指导机器人，在北京冬奥会上，有做咖啡机器人、防疫机器人等。这些机器人能够 正常运作的关键就是机器视觉技术，它充当着机器人的“眼睛”，通过模拟人体，利用 视觉传感器系统去识别物体的颜色、纹理、位置等信息，然后将这些信息通过算法进 行处理从而实现对目标物体的识别、检测与定位。因此机器视觉的本质就是用机器来 模拟人的视觉感官，去处理事情，使机器更加的智能化、现代化和自动化。
目标检测(Object Detection)算法合集
08-27
本文总结了近几年来的目标检测算法paper的pdf文档和在github上的代码地址
目标检测算法汇总
lemonaha的博客
03-31 1212
RCNN fast RCNN faster RCNN
2020-10-06-读论文笔记
shine_growing的博客
10-06 120
发现一些自建的论文笔记博客 读起来比自己读论文有效率多了 https://www.zmonster.me/2019/12/08/few-shot-learning.html https://52zju.cn/?p=187207 还有 读完论文需要讨论 输出自己的观点想法， 看看别人咋读论文 自己读完就像没有读过一样 好好读论文！ ...
CVPR2020高精度目标检测
yunxinan的专栏
01-22 306
Yao_Feng_Joint_3D_Face_ECCV_2018_paper_CVPR2018_
10-04
《Yao_Feng_Joint_3D_Face_ECCV_2018_paper》是2018年ECCV（欧洲计算机视觉国际会议）上发表的一篇关于3D人脸识别与模型重建的重要论文，其相关研究对于人脸识别技术和3D人脸建模领域具有深远的影响。该论文的研究...
目标检测 - 主流算法介绍 - 从RCNN到DETR
shenlanshenyanai的博客
03-18 7251
目标检测是计算机视觉的一个非常重要的核心方向，它的主要任务目标定位和目标分类。 在深度学习介入该领域之前，传统的目标检测思路包括区域选择、手动特征提取、分类器分类。由于手动提取特征的方法往往很难满足目标的多样化特征，传统方法始终没能很好的解决目标检测问题。 深度学习兴起之后，神经网络可以从大量数据中自动学出强大的特征提取和拟合能力，因而涌现出很多性能优良的目标检测算法。 基于深度学习的目标检测方法大致可分为三类——双阶段目标检测、单阶段目标检测、基于transformer的目标检测，本文将分别介绍这三
python 目标跟踪算法_目标跟踪入门——目标跟踪算法综述
weixin_39926678的博客
12-09 2025
最近需要学习计算机视觉中的目标跟踪方面的内容，在学习前做了个调研，对该领域的主要发展做下总结。介绍目标跟踪是计算机视觉领域的一个重要分支，是模式识别，图像处理，计算机视觉，机器学习等学科的交叉研究，有着广泛的应用，如视频监控，虚拟现实，人机交互，图像理解，无人驾驶等。目前的目标跟踪的通常任务是，在视频的第一帧给定一个目标的矩形框，然后后续这个矩形框紧跟着要跟踪的物体。不过，目标跟踪与计算机视觉中的...
CVPR2019目标检测方法进展综述
SIGAI_CSDN的博客
03-20 1万+
SIGAI特约作者 陈泰红 研究方向：机器学习、图像处理 目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代大多数目标检测器的框架是 two-stage，其中目标检测被定义为一个多任务学习问题：1）区分前景物体框与背景并为它们分配适当的类别标签；2）回归一组系数使得最大化检测框和目标框之间的交并比（IoU）或其它指标。最后，通过一个 ...
CVPR2018-2020下载
10-04
包含最新CVPR2018_2020下载链接
弱监督目标检测相关论文阅读笔记
A1150544257的博客
04-24 1423
把目标检测视为一个回归问题，只用一个卷积神经网络实现分类和定位，不需要进行候选区域选择，而是把图像分成了7 × 7 的网格，每个网格负责预测两个 bbox，一个对象概率。每个bbox包含5个参数，(x,y,w,h,置信度概率)，也就是一个网格对应一个30维的向量，最后输出向量是 7 * 7* 30。
干货 | 深度学习检测小目标常用方法
zandaoguang的博客
01-07 2340
点击上方“视学算法”，选择“星标”公众号重磅干货，第一时间送达github地址：https://github.com/Captain1986/CaptainBlackboard来源：op...
深度学习检测小目标常用方法
lyk_ffl的专栏
11-11 727
## 引言 在深度学习目标检测中，特别是人脸检测中，小目标、小人脸的检测由于**分辨率低，图片模糊，信息少，噪音多**，所以一直是一个实际且常见的困难问题。不过在这几年的发展中，也涌现了一些提高小目标检测性能的解决手段，本文对这些手段做一个分析、整理和总结。 **欢迎探讨，本文持续维护。** ## 实验平台 N/A ## 传统的图像金字塔和多尺度滑动窗口检测 最开始在深度学习方法流行之前，对于不同尺度的目标，大家普遍使用将原图build出**不同分辨率的图像金...
CVPR 2018 目标检测（Object Detection）总览
阿木寺的博客
07-21 3502
http://www.tongtianta.site/group?group_id=1 https://blog.csdn.net/u014380165/article/details/80784147 《An Analysis of Scale Invariance in Object Detection - SNIP》 arXiv：https://arxiv.org/abs/1711.0...
Selective Search for Object Recognition
Surge
09-16 2万+
Selective Search
Feature Pyramid Networks for Object Detection论文翻译——中英文对照
SnailTyan
04-30 4190
文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation Feature Pyramid Networks for Obj...
CVPR2018+ECCV2018目标检测算法汇总
aixuancheng5127的博客
03-11 527
特别感谢实验室小雷同学汇总此篇，日后学习目标跟踪可以有个好的方向好的借鉴，哪怕是比赛的时候选模型都可以参考一下。 ---------------------------------------------------------- 论文对应序号 method dataset code ...
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
3D目标检测和追踪怎么学习
05-04
学习3D目标检测和追踪需要掌握以下知识： 1. 熟悉机器学习和深度学习的基础知识，如线性代数、统计学和概率论等。 2. 了解3D计算机视觉的基础概念，如点云、深度图和三维坐标等。 3. 掌握常用的3D目标检测和追踪算法，如基于深度学习的3D目标检测算法、基于传统计算机视觉的3D目标检测算法、基于多目标跟踪的3D目标追踪算法等。 4. 熟悉3D目标检测和追踪的应用场景，如自动驾驶、机器人导航等。 以下是一些学习3D目标检测和追踪的资源： 1. 书籍：《深度学习与3D计算机视觉》、《3D计算机视觉：方法与应用》等。 2. MOOC课程：Coursera上的《3D视觉》、Udacity上的《自动驾驶汽车工程师纳米学位》等。 3. 论文：ICCV、ECCV、CVPR等国际计算机视觉会议的论文。 4. 开源代码：GitHub上的3D目标检测和追踪的开源代码，如Open3D、PCDet等。 建议通过学习相关的书籍、课程和论文，结合实际的项目经验来加深理解和掌握3D目标检测和追踪的知识。
评论
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