大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
文章目录
1. 什么是目标检测？
**目标检测 **的任务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，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。
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。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
2. 目标检测要解决的核心问题
除了图像分类之外，目标检测要解决的核心问题是：
1.目标可能出现在图像的任何位置。
2.目标有各种不同的大小。
3.目标可能有各种不同的形状。
如果用矩形框来定义目标，则矩形有不同的宽高比。由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。
3. 目标检测学习资源
3.1 Papers With Code – Object Detection on COCO test-dev
https://www.paperswithcode.com/sota/object-detection-on-coco
上边的链接是Papers With Code网站关于图像目标检测的排名，Papers With COde 是一个特别值得收藏的网址，网站收录了当前各种不同机器学习任务的排名，其中包含论文与代码的链接。现有目标检测排名主要是基于COCO数据集进行的排名，网站会实时更新，是一个学习的好网站。以下展示了部分机器任务，其他方向可以去网站看一下，绝对物超所值。
3.2 目标检测论文、代码整理
这个网站是一个整理计算视觉的网站，上边会定期更新最新发表的论文以及相关的代码。而且这个也是不仅仅是目标检测一个分类，感兴趣的同学还可以进去看一下其他方向整理的论文与代码。
Object Detection – handong1587
3.3各大论文期刊目标检测
| Detector | VOC07 (mAP@IoU=0.5) | VOC12 (mAP@IoU=0.5) | COCO (mAP@IoU=0.5:0.95) | Published In |
|---|---|---|---|---|
| R-CNN | 58.5 | – | – | CVPR’14 |
| SPP-Net | 59.2 | – | – | ECCV’14 |
| MR-CNN | 78.2 (07+12) | 73.9 (07+12) | – | ICCV’15 |
| Fast R-CNN | 70.0 (07+12) | 68.4 (07++12) | 19.7 | ICCV’15 |
| Faster R-CNN | 73.2 (07+12) | 70.4 (07++12) | 21.9 | NIPS’15 |
| YOLO v1 | 66.4 (07+12) | 57.9 (07++12) | – | CVPR’16 |
| G-CNN | 66.8 | 66.4 (07+12) | – | CVPR’16 |
| AZNet | 70.4 | – | 22.3 | CVPR’16 |
| ION | 80.1 | 77.9 | 33.1 | CVPR’16 |
| HyperNet | 76.3 (07+12) | 71.4 (07++12) | – | CVPR’16 |
| OHEM | 78.9 (07+12) | 76.3 (07++12) | 22.4 | CVPR’16 |
| MPN | – | – | 33.2 | BMVC’16 |
| SSD | 76.8 (07+12) | 74.9 (07++12) | 31.2 | ECCV’16 |
| GBDNet | 77.2 (07+12) | – | 27.0 | ECCV’16 |
| CPF | 76.4 (07+12) | 72.6 (07++12) | – | ECCV’16 |
| R-FCN | 79.5 (07+12) | 77.6 (07++12) | 29.9 | NIPS’16 |
| DeepID-Net | 69.0 | – | – | PAMI’16 |
| NoC | 71.6 (07+12) | 68.8 (07+12) | 27.2 | TPAMI’16 |
| DSSD | 81.5 (07+12) | 80.0 (07++12) | 33.2 | arXiv’17 |
| TDM | – | – | 37.3 | CVPR’17 |
| FPN | – | – | 36.2 | CVPR’17 |
| YOLO v2 | 78.6 (07+12) | 73.4 (07++12) | – | CVPR’17 |
| RON | 77.6 (07+12) | 75.4 (07++12) | 27.4 | CVPR’17 |
| DeNet | 77.1 (07+12) | 73.9 (07++12) | 33.8 | ICCV’17 |
| CoupleNet | 82.7 (07+12) | 80.4 (07++12) | 34.4 | ICCV’17 |
| RetinaNet | – | – | 39.1 | ICCV’17 |
| DSOD | 77.7 (07+12) | 76.3 (07++12) | – | ICCV’17 |
| SMN | 70.0 | – | – | ICCV’17 |
| Light-Head R-CNN | – | – | 41.5 | arXiv’17 |
| YOLO v3 | – | – | 33.0 | arXiv’18 |
| SIN | 76.0 (07+12) | 73.1 (07++12) | 23.2 | CVPR’18 |
| STDN | 80.9 (07+12) | – | – | CVPR’18 |
| RefineDet | 83.8 (07+12) | 83.5 (07++12) | 41.8 | CVPR’18 |
| SNIP | – | – | 45.7 | CVPR’18 |
| Relation-Network | – | – | 32.5 | CVPR’18 |
| Cascade R-CNN | – | – | 42.8 | CVPR’18 |
| MLKP | 80.6 (07+12) | 77.2 (07++12) | 28.6 | CVPR’18 |
| Fitness-NMS | – | – | 41.8 | CVPR’18 |
| RFBNet | 82.2 (07+12) | – | – | ECCV’18 |
| CornerNet | – | – | 42.1 | ECCV’18 |
| PFPNet | 84.1 (07+12) | 83.7 (07++12) | 39.4 | ECCV’18 |
| Pelee | 70.9 (07+12) | – | – | NIPS’18 |
| HKRM | 78.8 (07+12) | – | 37.8 | NIPS’18 |
| M2Det | – | – | 44.2 | AAAI’19 |
| R-DAD | 81.2 (07++12) | 82.0 (07++12) | 43.1 | AAAI’19 |
| ScratchDet | 84.1 (07++12) | 83.6 (07++12) | 39.1 | CVPR’19 |
| Libra R-CNN | – | – | 43.0 | CVPR’19 |
| Reasoning-RCNN | 82.5 (07++12) | – | 43.2 | CVPR’19 |
| FSAF | – | – | 44.6 | CVPR’19 |
| AmoebaNet + NAS-FPN | – | – | 47.0 | CVPR’19 |
| Cascade-RetinaNet | – | – | 41.1 | CVPR’19 |
| HTC | – | – | 47.2 | CVPR’19 |
| TridentNet | – | – | 48.4 | ICCV’19 |
| DAFS | 85.3 (07+12) | 83.1 (07++12) | 40.5 | ICCV’19 |
| Auto-FPN | 81.8 (07++12) | – | 40.5 | ICCV’19 |
| FCOS | – | – | 44.7 | ICCV’19 |
| FreeAnchor | – | – | 44.8 | NeurIPS’19 |
| DetNAS | 81.5 (07++12) | – | 42.0 | NeurIPS’19 |
| NATS | – | – | 42.0 | NeurIPS’19 |
| AmoebaNet + NAS-FPN + AA | – | – | 50.7 | arXiv’19 |
| SpineNet | – | – | 52.1 | arXiv’19 |
| CBNet | – | – | 53.3 | AAAI’20 |
| EfficientDet | – | – | 52.6 | CVPR’20 |
| DetectoRS | – | – | 54.7 | arXiv’20 |
该表是参考大神的Github，建议大家也可以去看一看-GitHub – hoya012/deep_learning_object_detection: A paper list of object detection using deep learning.
4. 目标检测最新进展
随着深度学习与计算机硬件的迅速发展，目标检测与深度学习的结合，目标检测也得以迅速发展，这一部分将在后续部分进行详细讲述(持续更新中)。
目标检测（一）——目标检测综述
目标检测（二）——评价指标
目标检测（三）——R-CNN
目标检测（四）——SPP-Net
目标检测（五）——Fast R-CNN
目标检测（六）——Faster R-CNN
Faster RCNN安装以及Demo运行
目标检测（七）——YOLO
目标检测（八）——YOLO v2
YOLO v2 安装训练测试
darkflow安装测试
目标检测（九）——YOLO v3
目标检测（十）——SSD
目标检测（十一）——DSSD
参考
基于深度学习的目标检测算法综述-SigAI
深度学习时代的目标检测算法-炼数成金订阅号
GitHub – hoya012/deep_learning_object_detection: A paper list of object detection using deep learning.
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/182455.html原文链接：https://javaforall.net
