目标检测历年最佳模型

RCNN                       58.5                 CVPR(2014)
SPPNET                     59.2                 ECCV(2014)       
-----------------------------------------------------------------
-----------------------------------------------------------------
Fast-RCNN                 70                    ICCV(2015)
Faster-RCNN               73.2                  NIPS(2015)  
-----------------------------------------------------------------
-----------------------------------------------------------------
YOLOv1                    66.4                 CVPR(2016)  ：使用单个前馈卷积网络直接预测对象类和位置。
ION   /   HyperNet   /   OHEM
SSD                       76.8                 ECCV(2016) ：在多个ConvNet层扩展了不同尺度的anchors，强制每个层专注于预测确定尺寸对象。
RFCN                      79.5                 NIPS(2016)
-----------------------------------------------------------------
-----------------------------------------------------------------
DSSD                       81.5                 Arxiv(2017)  ：在SSD基础上引入额外的上下文，通过反卷积来提高准确性。
FPN  /   TDM
YOLOv2                     78.6                 CVPR(2017) ：添加所有卷积层上的批量标准化，使用主分辨率分类器，使用带anchor boxes的卷积层替代全连接层来预测bboxes。
RoN（Reverse connection with Objectness prior Networks for object detection）
DES(Detection with Enriched Semantics)
  基于SSD，解决小目标检测效果不好，基于VGG16设计的DES算法，在VOC2007测试集上实现了81.7mAP的准确率，
在COCO的测试-验证集上实现了32.8mAP的准确率，并且每张图片只花费31.5ms。
参考链接：
 https://blog.csdn.net/woduitaodong2698/article/details/85327403
/ DCN /  DeNet / CoupleNet /
RetinaNet ：重塑标准交叉熵损失，聚焦训练在一组稀疏的hard examples，降低分配给分类良好的例子的损失权重。解决类别不平稳性
MaskRCNN
DSOD ：设计了一个框架和一套原则来从头开始学习目标检测器
SqueezeNet：                                      ICLR（2017）：轻量化模型之SqueezeNet
-----------------------------------------------------------------
-----------------------------------------------------------------
YOLOv3                                            Arxiv(2018)   ：  目标检测之车辆行人（darknet版yolov3）
RefineDet                  83.8                   CVPR(2018)      ：目标检测之RefineDet