【AI前沿动态】性能最强的目标检测算法

【导读】目标检测中存在两个非常重要的性能：精度和速度，特指mAP和FPS。本文便对mAP最高的目标检测算法进行了盘点。

趁最近目标检测（Object Detection）方向的论文更新较少，赶紧做个"最强目标检测算法"大盘点。

要知道衡量目标检测最重要的两个性能就是 精度和速度，特指 mAP 和 FPS。其实现在大多数论文要么强调 mAP 很高，要么就是强调 mAP 和 FPS 之间 Trade-off 有多好。

本文就来盘点一下 mAP 最高的目标检测算法，小编将在COCO数据集上 mAP 最高的算法认为是"性能最强"目标检测算法。（COCO数据集是现在最主流的目标检测数据集，这一点看最新的顶会论文就知道了）

时间：2019.07.07

盘点内容：目标检测 mAP 最高的算法

说到目标检测算法，大家脑子里最先蹦出来的算法应该是 Faster R-CNN 和 YOLOv3。这一点在我调研的时候，从大家的反馈明显看得出来。

要知道 Faster R-CNN已经是2015年提出的论文了，而YOLOv3发表出来也已经一年多了。最近目标检测相关的论文，比较典型的有：SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、两个CenterNet 和 CornerNet-Lite等。

这么多目标检测算法，究竟哪家最强呢？！

性能最强的目标检测算法

这里罗列了几个mAP很强很强的算法，并以时间线的角度来展示。

注意：各个网络使用不同backbone，或加不同的tricks，都会有不同的 mAP。所以小编只介绍所能查到最强的算法或者最强组合算法。

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 （已开源）

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

https://github.com/TuSimple/simpledet

HTC + DCN + ResNeXt-101-FPN

mAP：50.7

Date：2019.01.22 （已开源）

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 （未开源）

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

CornerNet-Saccade+gt attention

mAP：50.3

Date：2019.04.18 （已开源）

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 （已开源）

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 （已开源）

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

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

综上所述，可知改进后的 Cascade R-CNN 算法是目前(2019.07.07)目标检测方向性能最强的算法，其 mAP 为 50.9。

转自：新智元

EI 人工智能 AI

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。