【目标检测论文精读】目录总纲

1. 目标检测近20年大事记

1.1 目标检测近年里程碑

上图，回顾近20年来的图像检测和识别的历史，可以发现，目标检测的实现，已经从传统的图像技术 逐渐进入深度学习驱使和全面应用。从最早的闻名于耳的SIFT 、HOG，已经逐渐演变成anchor free & anchor based 的深度学习范式。尤其是AlexNet 在一骑绝尘夺冠之后，将深度学习应用到目标检测领域成为大家竞相开展的学术热点。

2019年的一篇survey的历史图 (下载地址参见 reference1)，综述了近20年的目标检测和识别的发展史。作者将算法大致分为2012年之前的传统检测方法与2012年之后出现的基于深度学习的检测方法。

• 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。
• 深度学习方法截然不同的分为两条技术路径：单阶段检测算法与两阶段检测算法。
• 同时作者把目标检测的一些精度提高的方法的出现也列在了时间轴上，比如bounding box regression、multi-resolution detection等。
• 调查中也象征性列举了，各个代表作在不同数据集上的精度情况：
  

1.2 知名数据集简介

1.3 深度学习目标检测名篇速查

来自首尔国立大学的 Lee hoseong 开源了 「deep learning object detection」 GitHub 项目，列举了近些年来深度学习-目标检测重要论文。其他论文可参考上图。后续我也会逐渐在本专栏详细描述。
项目链接是： https://github.com/hoya012/deep_learning_object_detection#2014

2. 论文精读

【R-CNN系列】

R-CNN灵感来源：

[论文解读] 图像分割 & 目标识别 | Selective Search和python实现| ＜Selective Search for Object Recognition＞

R-CNN开山之篇：

【论文解读】深度学习目标检测的开山鼻祖 |R-CNN详解 | 两阶段目标检测代表

R-CNN起承转合之笔：

【论文解读】目标检测的发展之作|Ross大神续作 | Fast R-CNN

R-CNN完全深度学习大成篇：

【论文解读】深度学习目标检测 | R-CNN系列里程碑 | 一文弄懂Faster R-CNN

【YOLO系列】

YOLO V1

【论文解读】one-stage系列开山之篇 | 目标检测速度检测大跨步 | YOLO V1详解

YOLO V4：

【论文解读】一文看懂yolov4 | 各种框架源码实现 | 详尽的state-of-art

【2-stage 系列】

【1-stage 系列】

【小目标检测系列】

【highlight-point 系列】

3. 实战技巧提升要点总结

4.重要视频和网站汇总

Reference