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
目标检测历年最佳模型
最新推荐文章于 2023-07-06 19:23:46 发布