目标检测资源汇总--持续更新

①实战项目 支持剪枝、量化和知识蒸馏的YOLOV3

【特性】
1、提供多个主流目标检测数据集的预处理后文件及训练方法。
2、提供包括剪枝，量化，知识蒸馏的主流模型压缩算法实现。
3、提供多backbone训练目前包括Darknet-YOLOv3，Tiny-YOLOv3，Mobilenetv3-YOLOv3。
【目前支持功能】

• 正常训练
• tiny训练
• mobilenetv3训练
• Dior数据集训练
• bdd100k数据集训练
• visdrone数据集训练
• 稀疏化训练
• 正常剪枝
• 规整剪枝
• 极限剪枝(shortcut)
• Tiny剪枝
• BNN量化
• BWN量化
• stage-wise 逐层量化
• 知识蒸馏
  https://github.com/SpursLipu/YOLOv3-ModelCompression-MultidatasetTraining-Multibackbone/blob/master/README.md

②用mAP衡量目标检测的性能是否科学？

Angzz的回答 - 知乎 https://www.zhihu.com/question/337856533/answer/769453722

③通用数据(标注)工具：可用网页/桌面App协作标注图像/文本/文档等数据

注：其中对于CV任务，支持图像分类，边界框，多边形和点的标注
【特性】

• 可用于网络或桌面应用程序
• 与他人实时协作
• 使用易于使用的GUI配置项目
• 用分类，标签，边界框，多边形和点注释图像
• 使用命名实体识别（NER），分类和词性（PoS）标记注释NLP数据集。
• 支持图像，PDF，文本，音频转录和许多其他格式
• 可以轻松集成到React应用程序中
• 每个数据集可扩展至数万个数据点
• 下载/上传为易于使用的CSV或JSON
  https://github.com/UniversalDataTool/universal-data-tool
  https://github.com/heartexlabs/label-studio

④超越特征金字塔网络(FPN)！FPG：特征金字塔网格来了

FPG（Feature Pyramid Grids），性能优于FPN、NAS-FPN等金字塔网络。作者团队：商汤&港中文(陈恺&林达华)&南洋理工大学&FAIR

特征金字塔网络已在目标检测中被广泛采用，以改进特征表示以更好地处理尺度变化。在本文中，我们介绍了特征金字塔网格（FPG），这是一个深层的多路径特征金字塔，它将特征尺度空间表示为平行的自下而上路径的规则网格，并由多方向的横向连接融合。FPG可以通过以相似的计算成本显著提高其性能来改善单路径特征金字塔网络，从而突出了深度金字塔表示的重要性。 除了其一般和统一的结构外，在通过神经体系结构搜索发现的复杂结构上，它也无需依赖搜索即可与此类方法进行比较。 我们希望，FPG具有统一和有效的性质，可以作为目标识别未来工作的重要组成部分。《Feature Pyramid Grids》

⑤详细记录YOLACT实例分割ncnn实现 - nihui的文章 - 知乎

https://zhuanlan.zhihu.com/p/128974102

⑥有用pytorch复现efficientDet的吗? - Zylo Cheung的回答 - 知乎

https://www.zhihu.com/question/382810333/answer/1145503408

⑦全网第一SoTA成绩却朴实无华的pytorch版efficientdet - Zylo Cheung的文章 - 知乎

https://zhuanlan.zhihu.com/p/129016081

⑧CVPR2020 Siam R-CNN：通过重检测进行视觉跟踪

表现SOTA！性能优于 SiamRPN++、DiMP和SiamFC等网络，代码刚刚开源！作者团队：亚琛工业大学(RWTH)&牛津大学
本文提出了Siam R-CNN，这是一种Siamese re-detection体系结构，可释放用于视觉目标跟踪的两阶段目标检测方法的全部能力。我们将此与新颖的基于轨迹的动态规划算法相结合，该算法利用重新检测第一帧模板和先前帧预测的优势，对要跟踪的对象和潜在的干扰对象的完整历史进行建模。 这使我们的方法可以做出更好的跟踪决策，并在长时间遮挡后重新检测被跟踪的对象。 最后，我们提出了一种新颖的硬示例挖掘策略，以提高Siam R-CNN对相似对象的鲁棒性。Siam R-CNN在十个跟踪基准上均达到了目前的最佳性能，并且长时跟踪的结果尤为突出。《Siam R-CNN: Visual Tracking by Re-Detection》

⑨GluonCV新作：ResNeSt，A New ResNet Variant - mileistone的文章 - 知乎

https://zhuanlan.zhihu.com/p/129299084

⑩Dynamic R-CNN：通过动态训练实现高质量的目标检测

在COCO上50.1 AP！表现SOTA！性能优于TridentNet、Libra R-CNN等网络，代码刚刚开源！作者团队：中科院&国科大&图森未来（王乃岩）
在这项工作中，我们首先指出固定网络设置和动态训练过程之间的不一致问题，这会极大地影响性能。例如，固定标签分配策略和回归损失函数无法适应proposals的分布变化，因此不利于训练高质量的检测器。因此，我们提出Dynamic R-CNN根据训练期间proposals的统计信息自动调整标签分配标准（IoU阈值）和回归损失函数的形状（SmoothL1 Loss的参数）。这种动态设计更好地利用了训练样本，并推动了检测器以适应更多高质量的样本。具体来说，在没有额外的开销下，我们的方法在MS COCO数据集上改进了ResNet-50-FPN基线：1.9％的AP和5.5％的AP(90)。
《Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training》
https://github.com/hkzhang95/DynamicRCNN

十一 因为YOLOv4 模型下载量过大，Google云盘上已经不好下载，这里是国内百度云链接：

链接：https://pan.baidu.com/s/1BRdijXZDjiNLnOKrs9AxUg
提取码：s1ib
技术介绍：
https://mp.weixin.qq.com/s/tjz9Kz7Of8sCnXg0qxNGwQ