目录
开篇寄语
气如云气，自我纵横。
天地洞明，万物可兵。
魔方导读
目标检测 （Object Detection）是计算机视觉四大基本任务之一，目的是解决” 是什么，在哪里”的问题。作为图像理解和计算机视觉的基石，目标检测是解决图像分割、目标追踪、视频内容理解、图像描述和行为识别等更复杂更高阶的视觉任务的基础。因此，本文整理了目标检测发展二十多年来的优秀算法，包括基于深度学习的Anchor-free、One-stage和Two-stage等目标检测方法。通过本文可快速了解目标检测的发展脉络及相关领域算法！！！
由魔方智能CV空间调研、整理、创作或转载，如有侵权，请联系后台作相应处理！！
往期回顾：
以2012年作为分水岭，目标检测在过去二十多年的发展过程中可大致分为两个时期： 传统目标检测方法与基于 深度学习的目标检测方法。传统的目标检测方法的代表作主要有三个：Viola Jones Detectors、HOG Detector、Deformable Part-based Model(DPM)，在这里不进行过多介绍，接下来重点汇总基于深度学习的目标检测方法。
Anchor-free目标检测算法
1.1 YOLOv1
论文：《You Only Look Once: Unified, Real-Time Object Detection》
论文链接：https://arxiv.org/pdf/1506.02640.pdf
代码链接：https://github.com/AlexeyAB/darknet
参考：https://zhuanlan.zhihu.com/p/364367221
【简介】
（1）以当前视角看，YOLOv1是 One-stage开山之作，同时也是最早的Anchor-free通用检测器；
（2）因其简洁的网络结构和GPU实时检测速度而 一鸣惊人；
（3）最大特点： 仅使用一个卷积神经网络端到端地实现物体检测，打破了R-CNN的”垄断”地位，为目标检测领域带来了巨大的变革！
（4）核心思想：就是在每个网格上做预测，如果某物体的Ground Truth中心点坐标落入到某个格子，那么这个格子就负责检测出这个物体。
1.2 CornerNet
论文：《CornerNet: Detecting Objects as Paired Keypoints》
论文链接：https://arxiv.org/abs/1808.01244
代码链接：https://github.com/princeton-vl/CornerNet
【简介】
（1）将目标检测问题当作 关键点检测问题来解决；
（2）通过检测bounding box的左上角和右下角两个关键点得到预测框；
（3）CornerNet算法中 没有Anchor的概念；
（4）整个检测网络的训练是从头开始的，不受预训练模型的限制.
1.3 CenterNet
论文：《Objects as Points》
论文链接：https://arxiv.org/pdf/1904.07850.pdf
代码链接：https://github.com/xingyizhou/CenterNet
【简介】
传统目标检测将物体定义为沿着坐标轴的边界框，对所有可能的物体进行 穷举搜索，再进行分类。这种方法 耗时耗力，且需要额外的后处理过程。本文将物体建模为 单个点—— BBox的中心点，用关键点估计找到中心点，并且回归输出物体其他属性，如：尺寸，3D位置，旋向，甚至位姿。本文方法称为CenterNet，一种端到端具有多种优点的目标检测方法，达到了 速度与准确率的平衡.
1.4 FSAF
论文：《Feature Selective Anchor-Free Module for Single-Shot Object Detection》
论文链接：https://arxiv.org/pdf/1903.00621v1.pdf
代码链接：https://github.com/xuannianz/FSAF
【简介】
我们激励并提出 功能选择性Anchor-free（FSAF）模块，这是一种简单有效的单点目标检测器构建块。可以将其插入具有特征金字塔结构的单发检测器。FSAF模块解决了传统基于锚的检测带来的两个限制： 1）启发式引导特征选择； 2）基于重叠的锚点采样。FSAF模块的一般概念是在线特征选择，用于选择多级Anchor-free分支。具体地，Anchor-free分支附接到特征金字塔的每个级别，从而允许以任意锚的Anchor-free方式进行盒编码和解码。在训练过程中，我们会为每个实例动态分配最合适的功能级别。在推理时，FSAF模块可以通过并行输出预测与基于Anchor的分支共同工作。我们通过Anchor-free分支的简单实现和在线特征选择策略来实例化此概念。在COCO检测的实验结果表明，我们的 FSAF模块比Anchor-based的模块性能更好，同时速度更快。当与Anchor-based的分支联合使用时，FSAF模块在各种设置下都大幅提高了基线RetinaNet，同时引入了几乎免费的推理开销。最终得到的最佳模型可以达到44.6％的最新mAP，优于COCO上所有现有的单激发检测器。
1.5 FCOS
论文： 《FCOS: Fully Convolutional One-Stage Object Detection》
论文链接：https://arxiv.org/pdf/1904.01355v5.pdf
代码链接：https://github.com/tianzhi0549/FCOS/
【简介】
（1）最大优势 不需要先验框，大大降低了样本量和参数量，计算量也大大降低；
（2）对于 小目标检测的效果也不错，通过多尺度检测，增加可以预测的框的数；
（3）最大创新在于 center-ness模块，这是其区别于YOLOv1的主要部分。
1.6 SAPD
论文：《Soft Anchor-Point Object Detection》
论文链接：https://arxiv.org/pdf/1911.12448v2.pdf
代码链接：https://github.com/xuannianz/SAPD
【简介】
（1）针对anchor-point检测算法的优化问题，论文提出了SAPD方法；
（2）对不同位置的anchor point使用不同损失权重，并且对不同特征金字塔层进行加权共同训练，去除大部分人为制定的规则，更加遵循网络本身的权值进行训练。
One-Stage目标检测算法
1.1 YOLOv1
论文：《You Only Look Once: Unified, Real-Time Object Detection》
论文链接：https://arxiv.org/pdf/1506.02640.pdf
代码链接：https://github.com/AlexeyAB/darknet
【YOLOv1的缺点】
（1） 每个cell只预测两个bbox和一个类别，这限制了能预测重叠或邻近物体的数量，比如当两个物体的中心点都落在这个cell中，但这个cell只能预测一个类别；
（2）不像Faster R-CNN一样预测offset，YOLOv1是 直接预测bbox的位置，这就增加了训练的难度；
（3）YOLOv1是根据 训练数据来预测bbox的，当测试数据中的物体出现了训练数据中物体没有的长宽比时，YOLOv1的泛化能力低；
（4）经过 多次下采样，最终得到的feature的分辨率比较低，可能会影响到物体的定位；
（5）损失函数的设计存在缺陷，使得物体的定位误差有点大，尤其在不同尺寸大小的物体处理上还有待加强。
1.2 SSD
论文：《SSD: Single Shot MultiBox Detector》
论文链接：https://arxiv.org/pdf/1512.02325v5.pdf
代码链接：https://github.com/weiliu89/caffe/tree/ssd
【简介】
（1）SSD是一个One-stage的统一目标检测框架；
（2）SSD 网络模型的特征提取网络是改进 VGG16 网络而来的，通过在 VGG16 网络后面增加几组卷积层增大小特征的特征图；
（3）利用 不同尺度的特征图进行目标的检测，经过 SSD 网络特征提取后，会得到两个尺度的特征图，用两个尺度中较大的识别小目标，而较小的识别大目标，提高小目标的识别准确率。
1.3 YOLOv2
论文：《YOLO9000:Better, Faster, Stronger》
论文链接：https://arxiv.org/pdf/1612.08242v1.pdf
代码地址：https://github.com/AlexeyAB/darknet
参考：https://zhuanlan.zhihu.com/p/124269512
【简介】
（1）在YOLOv1基础上，进行了大量改进，提出了YOLOv2和YOLO9000，重点解决YOLOv1召回率和定位精度方面的不足；
（2）是一个先进的目标检测算法，比它之前的算法检测速度更快。同时可以适应多种尺寸的图片输入，并且能在精度和速度之间进行很好的权衡；
（3）借鉴了Faster R-CNN的思想， 引入Anchor机制，利用K-means聚类的方法在训练集中聚类计算出更好的Anchor模板，大大提高了算法的召回率；
（4）结合图像细粒度特征， 将浅层和深层特征相连，有助于对小目标的检测；
（5）YOLO9000 使用 WorldTree 来混合不同资源的训练数据，并使用 联合优化技术在ImageNet和COCO数据集上进行训练，能够实时地检测超9000种物体。
1.4 RetinaNet
论文：《Focal Loss for Dense Object Detection》
论文链接：https://arxiv.org/pdf/1708.02002v2.pdf
代码链接：
https://github.com/facebookresearch/detectron
【简介】
（1）该论文最大贡献在于提出了 Focal Loss用于解决类别不均衡的问题，从而创造了RetinaNet；
（2）精度上超越Two-stage网络，在速度上超越one-stage网络的速度，首次实现一阶段网络对二阶段网络的全面超越；
（3）产生精度差异的主要原因： 类别失衡（Class Imbalance）；
（4）Focal loss的目的： 消除类别不均衡+挖掘难例样本。
1.5 YOLOv3
论文：《YOLOv3: An Incremental Improvement》
论文链接：https://arxiv.org/pdf/1804.02767v1.pdf
代码链接：https://pjreddie.com/darknet
【简介】
（1）创新点：a.新的网络结构Darknet-53；b.融合FPN；c.用逻辑回归替代softmax作为分类器；
（2） “分而治之”，从YOLOv1开始，yolo算法就是通过划分单元格来做检测，只是划分的数量不一样；
（3）采用“leaky ReLU”作为激活函数；
（4）从yolo_v2开始，yolo就用batch normalization作为正则化、加速收敛和避免过拟合的方法， 把BN层和leaky relu层接到每一层卷积层之后；
（5）多尺度训练，在速度和准确率之间tradeoff。想速度快点，可以牺牲准确率；想准确率高点儿，可以牺牲一点速度。
1.6 YOLOv4
论文：《YOLOv4: Optimal Speed and Accuracy of Object Detection》
论文链接：https://arxiv.org/pdf/2004.10934v1.pdf
代码链接：https://github.com/AlexeyAB/darknet
【简介】
（1）构建了一个简单且高效的目标检测模型， 降低了训练门槛；
（2）验证了先进的 Bag-of-Freebies和Bag-of-Specials方法在训练期间的影响；
（3）修改了最先进的方法，并且使其更为有效， 适合单GPU训练，包括CBN、PAN、SAM等，从而使得YOLOv4能够在一块GPU上就可以训练起来。
1.7 YOLOv5
代码链接：https://github.com/ultralytics/yolov5
【特点】
（1）考虑了邻域的 正样本Anchor匹配策略，增加了正样本；
（2）通过 灵活的配置参数，可以得到不同复杂度的模型；
（3）通过一些内置的 超参数优化策略，提升整体性能；
（4）和yolov4一样，都用了 Mosaic增强，提升小物体的检测性能。
1.8 YOLOX
论文：《YOLOX: Exceeding YOLO Series in 2021》
论文链接：https://arxiv.org/pdf/2107.08430v2.pdf
代码链接：
https://github.com/Megvii-BaseDetection/YOLOX
【 简介 】
（1）本论文中介绍了YOLO系列的一些经验改进，形成了一个新的高性能检测器——YOLOX；
（2）将YOLO检测器切换为Anchor-free并进行其他先进的检测技术， 即decoupled head 和领先的标签分配策略 SimOTA，以在大量模型中实现最先进的结果。
（3）支持ONNX、TensorRT、NCNN和OpenVINO**的部署版本。
1.9 PP-YOLOE
论文：《PP-YOLOE: An evolved version of YOLO》
论文链接：https://arxiv.org/pdf/2203.16250v2.pdf
代码链接：
https://github.com/PaddlePaddle/PaddleDetection
【简介】
（1）首先PP-YOLOE-l 在COCO数据集上达到了51.4mAP。相比较PP-YOLOv2提升1.9AP和13.35%的速度，相比较YOLOX提升1.3AP和24.96%的速度；
（2）主要的改进点是：anchor-free，powerful backbone and neck，TAL动态label assign，ET-head。
1.10 YOLOv6
技术文章【官方】：
https://mp.weixin.qq.com/s/RrQCP4pTSwpTmSgvly9evg
代码链接：https://github.com/meituan/YOLOv6
【简介】
美团视觉智能部在目标检测框架方面的优化及实践经验，针对 YOLO 系列框架，在训练策略、主干网络、多尺度特征融合、检测头等方面进行了思考和优化，设计了新的检测框架YOLOv6，初衷来自于解决工业应用落地时所遇到的实际问题。
1.11 YOLOv7
论文：《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》
论文链接：https://arxiv.org/pdf/2207.02696v1.pdf
代码链接：https://github.com/wongkinyiu/yolov7
Two-Stage目标检测算法
1.1 R-CNN
论文：《Rich feature hierarchies for accurate object detection and semantic segmentation》
论文链接：https://arxiv.org/pdf/1311.2524v5.pdf
代码链接：https://github.com/rbgirshick/rcnn
【简介】
（1）RCNN是Two-stage算法的开山之作**，奠定了一个基础，大大提高了目标检测的效果；
（2）RCNN包含了三个主要的模块：
a. 生成类别独立的regoin proposal（区域建议），为感知器定义候选区域；
b. CNN提取固定长度的特征；
c. 线性SVM分类器进行类别的分类
1.2 Fast R-CNN
论文：《Fast R-CNN》
论文链接：https://arxiv.org/pdf/1504.08083v2.pdf
代码链接：https://github.com/rbgirshick/fast-rcnn
1.3 Faster R-CNN
论文：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》
论文链接：https://arxiv.org/pdf/1506.01497v3.pdf
代码链接：https://github.com/rbgirshick/py-faster-rcnn
Original: https://blog.csdn.net/qq_37902216/article/details/125890527
Author: 强少~、
Title: 【CV第三篇】目标检测风云二十年
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687194/
转载文章受原作者版权保护。转载请注明原作者出处！