声明：笔者转载文章仅为学习研究和个人方便查阅，如有侵权请联系作者删除博文，谢谢！
文章转载自 最全最先进的检测算法对比Faster R-CNN, R-FCN, SSD, FPN, RetinaNet and YOLOv3
很难衡量一个检测算法的好坏，因为除了算法本身的思路之外，还有许多因素影响它的速度和精度，比如：
- 特征提取网络(VGG, ResNet, Inception, MobileNet);
- 输出的步长，越大分类数目越多，相应的速度也会受影响；
- IOU的评判方式；
- NMS的阈值；
- 难样本挖掘的比率（正样本和负样本的比率）；
- 生成的proposal的数目（不同的方法输出是不同的）；
- bbox的编码方式，是预测offset还是相对位置；
- 数据预处理的数据增广方法；
- 用哪个特征层来做检测；
- 定位误差函数的实现方法；
- 不同的框架；
- 训练时候的不同设置参数，如batch_size, 输入图片大小，学习率，学习衰减率等因素；
为了对比不同的算法，可以不考虑上述的所有影响因素，直接对论文结果评测，应该能大体看出不同方法的速度差异。
上图是一个所有方法的预览。从图中可以看出RFCN的准确度是最高的。
上图可以看出，速度最快的还是yolo和SSD一体化的方法。
这是在ms-coco数据集上的测试效果，从效果可以看出，RetinaNet 在mAP效果是最好的。其中Faster-RCNN改用Resnet作为特征抽取网络准确率有较大的提升。
最后是Google做的一个research，在TensorFlow上统一的实现了所有的检测算法，yolo没有包含在内。最终的测试结果可以表示为：
从上面可以大致的看出，Faster-RCNN的准确度更加精确，而RFCN和SSD更快。
上述只是一个预览，但是除了这些之外，我们还需要考虑一些更加细化的因素。
不同的特征抽取网络
特征抽取网络不通，最终的结果也不同。简单来说，一个更加复杂的特征抽取网络可以大大的提高Faster-RCNN和RFCN的精确度，但是对于SSD，更好的特征抽取网络对结果影响不大，所以你看SSD+MobileNet也不会太大的影响结果。从这个图可以看得很清楚：
目标物体的大小
对于大物体，SSD即使使用一个较弱的特征抽取器也可以获取较好的精确度。但在小物体上SSD的表现结果非常不好。
具体来看，SSD在一张图片里面就经常漏检测小物体，比如：
Proposal的数目
不同的Proposal数目会影响检测器的速度和精度。这个很重要，很多人想加速Faaster-RCNN但是不知道从何下手，显然这里是一个很好的切入点。
将Proposal的数目从300削减到50，速度可以提高3倍，但是精度仅仅降低4%，可以说非常值了。我们从这张图可以看得很清楚：
最终我们可以得到一个很科学的结果：
1.最高精度
使用Faster-RCNN毫无疑问，使用Inception ResNet作为特征抽取网络，但是速度是一张图片1s；
还有一种方法是一种叫做集成的动态选择模型的方法（这个你就不要追求速度了）；
2.最快
SSD+MobileNet是速度最快的，但是小目标检测效果差；
3.平衡
如果既要保证精度又要保持速度，采用Faster-RCNN将proposla的数目减少到50，同时还能够达到RFCN和SSD的速度，但mAP更优。
