是硅谷钢铁侠？还是商界特朗普！马斯克对中国人的态度引深思

来源：AI有道

本文约2000字，建议阅读5分钟

本文给你总结52个深度学习检测模型。

标签：计算机视觉

目标检测作为计算机视觉中的一个重要分支，近些年来随着神经网络理论研究的深入和硬件 GPU 算力的大幅度提升，一b w | Y } ; 1 l举成为全球人工智能研究的热点，落地项目也最先开始。

纵观 2013 年到 2020 年，从最I e T早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年的 M2Det，新模型层出不穷，性能也越来越好！本文将完整地总G 5 (结 52 个目标检测模型极其性能对比，包括完备的文献 paper 列表。

首先直奔主题，列出这 52 个目标检测模型（建议收藏）：

这份目标Q X O * ?检测超全的技术路线总结来自于 Gitj : r 1 l x -Hub 上一个知名项目，作者是毕业于韩国首尔国立大学电气与计算机工程专业的 Lee hoseong，目前已经; m J I r * ! 3收获 7.3k star。

该项目地址是：

https://githubc ~ W o 1.com/hoya012/deep_N z T % :learning_on T z sbject_dete, d v ( gction

该技术路k | P j ] B ; s Q线纵贯的时间线是 2013 年到 2020 年e 6 Q + M e初，上图总结了这期间目标检测} ] E @ x所有具有代表性的模型。图中标红的部分是相对来说比较重要，需要重点掌握的模型。

更新日志

值得一提的是红色石头早在去年年初的时候已经发文给大家推荐过这个项目，作者也一直在更新，截至 2020 年 2 月，作者主要的更新如下：

• 2019.2l } ( .：更新3篇论文
• 2019.3：y k K ~更新图表和代码链接
• 2019.4：更新 ICLR 2019 和 CVPR 2019 论文
• 2019.5：更新 CVPR 2019 论文
• 2019.6& m c：更新 CVPR 2019 论文和数据集论文
• 2019.7：更新 BMVC 2019 论文和部分 ICCV 2019 论文
• 2019.9：更新 NeurIPS 2019 论文] c z W { I和 ICCV 2019 论文
• 2019.11：更新部分 AAAI 2020 论文和其它论文
• 2020.1：I k | X c更新 ICLR 2020 论文和其它论文

下面详细介绍！

模型性} } h _ 8能对比表

由于硬件不同（例如 CPU、GPU、RAM 等），来比较 FPS 往往不够准确。更合适的比较方法是在同一硬件配置下测量所有模型的性能。以上所有模型的性能对比结果如下：

从上面的表格中，可以清楚看到不同模型在 VOC07、VOC12、COCG - C K ; c }O 数据集上的性能表现；同时列出了模型论文发表来源。

下面列举一些重点标红的I p P Y P F q J模型进行W 5 X r l } } l V简要介绍。

模型论文篇

2014 年

R-CNN

Rich feature hierarchies for accurate object detection and semantic segmentation | [CVPR4 2 x p

论T 1 [ } ( % h K文：

https://arxiv.org/pdf/1311.2524.pdf

官方代码 Caffe：

https://github.com/rbgirshick/rcnn

OverFeat

OverFeat: Integrated Recognition, Localizatio# k (n and Detection using Convolutional Networks |

论文：

https://arxiv.org/pdf/1312.6229.pdf

官方代码 Torch：

https://github.com/sermanet/OverFeat

2015 年

Fast R-CNN

Fast R-CNN |

论文：

https://arxiv.org/pdf/1504.08083.pdf

官方代码 caffe：

https://github.com/rbgirshick4 W X E/fast-rcnn

Faster R-CNi d f kN

Faster R-CNN:w B 9 ? # / r , u TowardX { vs Real-Time Object Detection with Region Proposal Networks |

论文：

https://pap? % [ a 7 m Fers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networ| 8 G P sks.pdf

官方代码 caffe：

https://github.com/rbgirshick/py-faster-rcnn

非官方代码 tee 5 1 b % & y ^nso} s /rF M l Q M Lflow：

https://github.com/endernewton/tf-faster-rcn| H }n

非官方代码 pytorch：

https://github.com/jwyang/faster-rcnn.pytorch

2016 年

OHEM

Training Region-based Object Detectors with Online Hard Example Mining |

论文：

https://arxiv.org/pdf/o L 7 8 & F N Y1604.03540.pdf

官方代码 caffe：

https://github.com/abhi2610/ohem

YOLO v1

You Only Look Once: Unified, Real-Time Object DA } I S ^ h a z wetection |

论文：

https://arxiv.org/pdf/1506.02640.pdf

官方代码 c：

https://pjreddie.com/darknet/yolo/

SSD

SSD: Single Shot Multb F x N w $ & XiBox Detector |

论文：

httpsD r * N://arxiv.org/pdf/1512.02325.pdf

官方代码 caffe：

https://github.com/weiliu89/caffe/tree/ssd

非官方代码 tensorflow：

https://github.com/balancap/SSD-Tensorflow

非官方代p X J码 pytorch：

https://github.com/amdegroot/ssd.pytorch

R-FCN

R-FCN: Object Detection via RegioX x 5 # u O C jn-based Fully Convolutio! K X s & l i * Wnal Networks |

论文：

https://arxiv.org/pdf/1605.06409.pdf

官方代码 caffe：

https://github.com/daijifeng001/F 6 4R-FCN

非官方代码 caffe：

https://github.coT R t 9 ]m/YuwenXiong/py-R-FCN

2017 年

YOLO v2

YOLO9000: Better, Faster, Stronn , o E ( 9 U $ Rger |

论s - Y文：

https://arxiv.org/pdfO J Q _ i : ! G/1612.08242.pdf

官方代码 c：

https://pjreddie.com/darknet/yolo/

非官方代码 caffe：

https://github.com/quhezheng/caffe_yoloc m C y A X %_v2

非官/ 5 3 5 a U I :方代码 tensorflow：

https://github.com/nilboy/tensorflow-yolo

非官方代码 te3 U : } unsorflow：

htD R Gtps://github.com/sualab/object-detection-yolov2

非官方代码 pytorch：

https://github.com/longcw/yolo2-pJ 5 % { 8 }ytorch

FPN

Feature Pyram% E )iR U v % 7 ~ & ] Vd Networks for Objec_ i { A G - [ nt Detection |

论文：

http://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPf p q , -R_2017_paper.pdf

非官方代码 caffe：

https://github.cog @ X ?mM g 4 G c ) c B :/unsky/FPN

RetinaNet

Focal Loss for Dense Object Detection |

论文：

https://arxiv.org/pdE { 4 t c t | + @f/1708.02002.pdf

官方代码 keras：

https://github.co* y K o , 8 v wm/fizyr/keras-retinanet

非官方代码 pytorch：

https://github.com/kuangliu/pytorch-retinanet

非官方代码 mxnetU N k：

https://github.com/unsky/RetinaNet

非官方代码 tensorflow：

https! 3 s $ _ j E P://github.com/tensorflow/tpu/tree/maF , l C M T Uster/models/ofE b P u } ~ N , Nficial/retinanet

Mask R-CN% M L 4 xN

Mask R-CNN |

论文：

http://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf

官方代码 caffe2：

https://github.com/facebookresearch` C @ T A m d q p/Detn . + W t l ( r * Incremental Improvement |

论文：

https://pjreddie.com/media/files/paps R 3 o q %ers/YOLOv3.pdf

官方代码 c：

https://pjreddie.com/darknet/yoB d 4 g n / Mlo/

非官a a p #方代码 pytorch：

https://github.com/ayooshkathuria/pytorch-yolo-v3

非官方代码 pytorch：

https://gf ~ #ithub.com/eriklindernoren/PyTorch-YOLOv3

非官方代码 keras：d } k w i c

https://githN ^ 0 9ub.com/q H ` n yqwweee/keras-yolo3

非官方0 T = x |代码 tensorflow：

httK p @p^ # ^ B ) h 7s://github.com/mystic123/tensorflow-yolo-v3

RefineDet

Single-Shot Refinement Neural Network for Object Detection |

论文：

http://openaccess.thecvf.com/con* } F y ptent_cvpr_2018/papers/Zhang_Single-Shot_Refinement_NeuU W q J t :ral_CVPR_2018_paper.9 z Wpdf

官方代码 caffe：

https://github.com/sfzhang15/RefineDet

非官方代码 chainer：

https://github.com/fukatani/RefineDe+ G = - m 6 : ) Rt_chainer

非官方代码 pytorch：

htI i m I D Z z L )t% * 4 q + e pps://githuN ` *b.com/lzx16 x 0413/PytorchSSD

2019 年

M2Det

M2Det: A Single-Shot Object DetecM X ? & Dtor based on Multi-Level Feature Pyramid Network |

论文：

https:D s P % [ x a n//arxiv.o0 = Y Prg/pdf/1811.04533.pdf

官方代码 pytorch：) O / } I Y

https://github.com/qijiezhao/M2Det

2020 年

Spikin: z @ R S F 9g-YOLO- P * P }

Spiking-YOLO: Spikin~ n Hg Neural Network for Real-time Object Detection |

论文：

https://arxiv.org/pdf/1903.06530.pdf

数据集论文篇

同时作者也列出了以上模型通常使用的公开数据集：VOC、ILSVRCA 3 v G、COCO，如下表所示：

用于目标检测的数据集相关论文如下：

以O ] A z N % U T 6上就是 52 个深度学习检测模型汇总介绍。该项目可以说把近几年的目标检测模型总结得很不错了，包括论文和源码。希望对大家有所帮助！

编辑：于腾凯

校对：林亦- m L 6 &霖

—完—

关注清华-青岛数据科学研究院官方微信公众平% 5 1 n J台“ THU] a | ( D数据派 ”及姊妹号“ 数据派THU ”获取更多讲座福利及优质内容。