大盤點 | 性能最強的目標檢測算法

   新智元推薦

  來源:CVer(ID:CVerNews)

  作者:Amusi

  整理編輯:三石

   【新智元導讀】 目標檢測中存在兩個非常重要的性能:精度和速度,特指mAP和FPS。本文便對mAP最高的目標檢測算法進行了盤點。

  趁最近目標檢測(Object Detection)方向的論文更新較少,趕緊做個"最強目標檢測算法"大盤點。

  要知道衡量目標檢測最重要的兩個性能就是 精度和速度特指 mAP 和 FPS 。其實現在大多數論文要麼強調 mAP 很高,要麼就是強調 mAP 和 FPS 之間 Trade-off 有多好。

  本文就來盤點一下 mAP 最高的目標檢測算法 ,小編將在COCO數據集上 mAP 最高的算法認為是"性能最強"目標檢測算法。(COCO數據集是現在最主流的目標檢測數據集,這一點看最新的頂會論文就知道了)

  時間:2019.07.07

  盤點內容: 目標檢測 mAP 最高的算法

  說到目標檢測算法,大家腦子裡最先蹦出來的算法應該是 Faster R-CNN 和 YOLOv3。這一點在我調研的時候,從大家的反饋明顯看得出來。

  要知道 Faster R-CNN已經是2015年提出的論文了,而YOLOv3發表出來也已經一年多了。最近目標檢測相關的論文,比較典型的有:SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、兩個CenterNet 和 CornerNet-Lite等。

  這麼多目標檢測算法,究竟哪家最強呢?!

  性能最強的目標檢測算法

  這裡羅列了幾個mAP很強很強的算法,並以時間線的角度來展示。

  注意:各個網絡使用不同backbone,或加不同的tricks,都會有不同的 mAP。所以小編只介紹所能查到最強的算法或者最強組合算法。

  SNIPER: Efficient Multi-Scale Training

  mAP: 47.6

  Date:2018.05.23

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

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

  TridentNet:Scale-Aware Trident Networks for Object Detection

  mAP:48.4

  Date:2019.01.07 (已開源)

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

  https://github.com/TuSimple/simpledet

  HTC + DCN + ResNeXt-101-FPN

  mAP:50.7

  Date:2019.01.22 (已開源)

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

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

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

  mAP:48.3

  Date:2019.04.16 (未開源)

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

  CornerNet-Saccade+gt attention

  mAP:50.3

  Date:2019.04.18 (已開源)

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

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

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

  mAP: 50.9

  Date:2019.06.24 (已開源)

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

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

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

  Learning Data Augmentation Strategies for Object Detection

  mAP:50.7

  Date:2019.06.26 (已開源)

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

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

  綜上所述,可知改進後的 Cascade R-CNN 算法是目前(2019.07.07)目標檢測方向性能最強的算法,其 mAP 為 50.9。

  侃侃

  這裡將 mAP 作為目標檢測最強的指標,確實有失偏頗,不夠嚴謹,因為很多人將目標檢測應用在不同的任務上,其實要求的性能也有所不同。但請放心,小編後續會統計一波 FPS最快的目標檢測算法 和 mAP-FPS Trade-off 最佳的算法。

《更多精彩内容,按讚追蹤Gooread·精選!》
喜歡這篇文章嗎?立刻分享出去讓更多人知道~

    相關閱讀


您可能感興趣