聊一聊最新的目标检测算法
公众号： 卡本特
后台回复 “09” 获取打包文章
上一篇文章写了现在目标检测还有哪些东西可以做，然后有读者就问了目前有哪些值得工程部署去应用的算法，所以今天来聊一聊值得去跟进的一些目标检测算法。
上面这张图是2015年到2019年的SOAT的算法在coco上的box AP指标变化折线图，从这张图里面可以看出目前最好的成绩是53.3，其方法还是Cascade Mask RCNN，主干网络是Triple-ResNeXt152。目标检测最近值得关注的文章莫过于EfficientDet，虽然其EfficientDet-D7的成绩为51.0稍逊于SOAT的53.3，但是其方法很值得关注一波。
我根据最近的coco上的成绩，列了一个表格，如下
| 排名 | 方法 | Box AP | 文章链接 | github |
|---|---|---|---|---|
| 1 | Cascade Mask R-CNN | 53.3 | CBNet | CBNet |
| 2 | EfficientDet-D7 | 51.0 | EfficientDet | pytorch版 TF版 |
| 3 | ATSS | 50.7 | ATSS | ATSS |
| 4 | EfficientDet-D6 | 50.6 | ||
| 5 | EfficientDet-D5 | 49.8 | ||
| 6 | TridentNet | 48.4 | TridentNet | simpleDet |
| 7 | GCNet | 48.4 | GCNet | GCNet |
| 21 | FCOS | 44.7 | FCOS | FCOS |
| 26 | M2Det | 44.2 | M2Det | M2Det |
| 27 | YOLO3+ASFF | 43.9 | ASSF | ASSF |
上面排名是根据coco上的box AP值从大到小排出来的，具体的排名可以参考github上的pwc项目
这里面列举出来的算法都是关注量非常高的算法，一方面其成绩非常不错，另一方面适合部署。如果一个算法的成绩非常好，但是运算非常耗时，这样也不在关注视野内。
1、Efficient
EfficientDet提出了7种不同的网络结构，根据其复杂度不同，可以适应不同计算能力的平台，直接把YOLOV3按在地上摩擦
2、ATSS
张士峰大佬的新作，当然值得去研究。在anchor-free和anchor-based之间做文章，大佬亲自在知乎上做了评价
3、YOLO3+ASFF
还是使用darknet作为主干网络，在yolov3上加入了ASFF策略。
上面列举出来的三个算法非常值得去研究一波
q当然，如果你有时间，表格里面的算法都值得一看
在做上面那个表格的时候，我发现了一个问题，最新开源的出来的复现代码大部分都是Pytorch的，剩下一小部分是TF的，根本没有其他了。如果官方给出的不是pytorch版本，也会马上有大佬用pytorch复现出来。
然后我有点怀念当年的caffe了，于是我找到了这张图
这个图标是根据在某一个具体的月份，开源的目标检测算法使用的深度学习框架的数量画出来的折线图。可以看到，pytorch逐渐壮大，FT貌似一直都很强大，caffe就没在这个统计者严重出现过，属于其它。但是可以肯定，在15年，16年两年，caffe还是占据了其它类别的半壁江山的。
技术飞速发展的今天，唯一不变的也许就是变化了，拥抱变化才能拥抱未来！
References
[1] CBNet: https://arxiv.org/pdf/1909.03625v1.pdf
[2] CBNet: https://github.com/PKUbahuangliuhe/CBNet
[3] EfficientDet: https://arxiv.org/pdf/1911.09070v1.pdf
[4] pytorch版: https://github.com/toandaominh1997/EfficientDet.Pytorch
[5] TF版: https://github.com/xuannianz/EfficientDet
[6] ATSS: https://arxiv.org/pdf/1912.02424v1.pdf
[7] ATSS: https://github.com/sfzhang15/ATSS
[8] TridentNet: https://arxiv.org/pdf/1901.01892v2.pdf
[9] simpleDet: https://github.com/tusimple/simpledet
[10] GCNet: https://arxiv.org/pdf/1904.11492v1.pdf
[11] GCNet: https://github.com/xvjiarui/GCNet
[12] FCOS: https://arxiv.org/pdf/1904.01355v5.pdf
[13] FCOS: https://github.com/tianzhi0549/FCOS
[14] M2Det: https://arxiv.org/pdf/1811.04533v3.pdf
[15] M2Det: https://github.com/qijiezhao/M2Det
[16] ASSF: https://arxiv.org/pdf/1911.09516v2.pdf
[17] ASSF: https://github.com/ruinmessi/ASFF
[18] pwc项目: https://github.com/zziz/pwc
[19] 评价: https://www.zhihu.com/question/359595879/answer/927861326
