深度学习目标检测历史发展
前言
使用深度学习的目标检测的纸质列表。我在参考这份调查报告和搜索和搜索时写了这个页面。
最后更新时间：2019/07/31
更新日志
2018/9/18 - 更新所有最近的论文，并使用深度学习制作关于物体检测历史的图表。 2018/9/26 - 更新文件代码。（官方和非官方）
2018年/ 10月 - 更新5篇论文和表现表。
2018年/ 11月 - 更新9篇论文。
2018年/ 12月 - 更新8篇论文和性能表并添加新图表（2019年版本!!）。
2019年/ 1月 - 更新4篇论文并添加常用数据集。
2019年/ 2月 - 更新3篇论文。
2019年/ 3月 - 更新图形和代码链接。
2019年/ 4月 - 删除作者姓名并更新ICLR 2019和CVPR 2019论文。
2019 /可 - 更新CVPR 2019年论文。
2019年/ 6月 - 更新CVPR 2019年论文和数据集论文。
2019年/ 7月 - 更新BMVC 2019年论文和一些ICCV 2019年论文。
目录
- 2014年至今的纸质清单（2019年）
- 性能表
- 文件
- 2014
- 2015年
- 2016
- 2017年
- 2018
- 2019
- 数据集论文
2014年至今的纸质清单（2019年）
用红色字符突出显示的部分意味着我认为“必读”的论文。但是，这是我个人的意见，其他论文也很重要，所以如果你有时间，我建议你阅读。
性能表
FPS（速度）索引与硬件规格（例如CPU，GPU，RAM等）有关，因此很难进行相同的比较。解决方案是测量具有相同规格的硬件上所有型号的性能，但这非常困难且耗时。
| 探测器 | VOC07（mAP@IoU=0.5） | VOC12（mAP@IoU=0.5） | COCO（mAP@IoU=0.5:0.95） | 出版于 |
|---|---|---|---|---|
| R-CNN | 58.5 | - | - | CVPR'14 |
| SPP-网 | 59.2 | - | - | ECCV'14 |
| MR-CNN | 78.2（07 + 12） | 73.9（07 + 12） | - | ICCV'15 |
| 快速R-CNN | 70.0（07 + 12） | 68.4（07 ++ 12） | 19.7 | ICCV'15 |
| 更快的R-CNN | 73.2（07 + 12） | 70.4（07 ++ 12） | 21.9 | NIPS'15 |
| YOLO v1 | 66.4（07 + 12） | 57.9（07 ++ 12） | - | CVPR'16 |
| G-CNN | 66.8 | 66.4（07 + 12） | - | CVPR'16 |
| AZNet | 70.4 | - | 22.3 | CVPR'16 |
| 离子 | 80.1 | 77.9 | 33.1 | CVPR'16 |
| HyperNet | 76.3（07 + 12） | 71.4（07 ++ 12） | - | CVPR'16 |
| OHEM | 78.9（07 + 12） | 76.3（07 ++ 12） | 22.4 | CVPR'16 |
| MPN | - | - | 33.2 | BMVC'16 |
| SSD | 76.8（07 + 12） | 74.9（07 ++ 12） | 31.2 | ECCV'16 |
| GBDNet | 77.2（07 + 12） | - | 27.0 | ECCV'16 |
| CPF | 76.4（07 + 12） | 72.6（07 ++ 12） | - | ECCV'16 |
| R-FCN | 79.5（07 + 12） | 77.6（07 ++ 12） | 29.9 | NIPS'16 |
| DeepID-网 | 69.0 | - | - | PAMI'16 |
| 片上网络 | 71.6（07 + 12） | 68.8（07 + 12） | 27.2 | TPAMI'16 |
| DSSD | 81.5（07 + 12） | 80.0（07 ++ 12） | 33.2 | arXiv'17 |
| TDM | - | - | 37.3 | CVPR'17 |
| FPN | - | - | 36.2 | CVPR'17 |
| YOLO v2 | 78.6（07 + 12） | 73.4（07 ++ 12） | - | CVPR'17 |
| RON | 77.6（07 + 12） | 75.4（07 ++ 12） | 27.4 | CVPR'17 |
| DeNet | 77.1（07 + 12） | 73.9（07 ++ 12） | 33.8 | ICCV'17 |
| CoupleNet | 82.7（07 + 12） | 80.4（07 ++ 12） | 34.4 | ICCV'17 |
| RetinaNet | - | - | 39.1 | ICCV'17 |
| DSOD | 77.7（07 + 12） | 76.3（07 ++ 12） | - | ICCV'17 |
| SMN | 70.0 | - | - | ICCV'17 |
| 轻头R-CNN | - | - | 41.5 | arXiv'17 |
| YOLO v3 | - | - | 33.0 | arXiv'18 |
| 罪 | 76.0（07 + 12） | 73.1（07 ++ 12） | 23.2 | CVPR'18 |
| STDN | 80.9（07 + 12） | - | - | CVPR'18 |
| RefineDet | 83.8（07 + 12） | 83.5（07 ++ 12） | 41.8 | CVPR'18 |
| SNIP | - | - | 45.7 | CVPR'18 |
| 关系网 | - | - | 32.5 | CVPR'18 |
| 级联R-CNN | - | - | 42.8 | CVPR'18 |
| MLKP | 80.6（07 + 12） | 77.2（07 ++ 12） | 28.6 | CVPR'18 |
| 健身-NMS | - | - | 41.8 | CVPR'18 |
| RFBNet | 82.2（07 + 12） | - | - | ECCV'18 |
| CornerNet | - | - | 42.1 | ECCV'18 |
| PFPNet | 84.1（07 + 12） | 83.7（07 ++ 12） | 39.4 | ECCV'18 |
| 佩利 | 70.9（07 + 12） | - | - | NIPS'18 |
| HKRM | 78.8（07 + 12） | - | 37.8 | NIPS'18 |
| M2Det | - | - | 44.2 | AAAI'19 |
| R-DAD | 81.2（07 ++ 12） | 82.0（07 ++ 12） | 43.1 | AAAI'19 |
2014
-
[R-CNN]丰富的特征层次结构，用于精确的对象检测和语义分割 [CVPR'14] |
[pdf][official code - caffe] -
[OverFeat] OverFeat：使用卷积网络进行集成识别，定位和检测| [ICLR'14] |
[pdf][official code - torch] -
[MultiBox]使用深度神经网络的可扩展对象检测| [CVPR'14] |
[pdf] -
[SPP-Net]用于视觉识别的深度卷积网络中的空间金字塔池 [ECCV'14] |
[pdf][official code - caffe][unofficial code - keras][unofficial code - tensorflow]
2015年
-
利用贝叶斯优化和结构化预测改进深度卷积网络的目标检测 [CVPR'15] |
[pdf][official code - matlab] -
[MR-CNN]通过多区域和语义分段感知的CNN模型进行对象检测 [ICCV'15] |
[pdf][official code - caffe] -
[DeepBox] DeepBox：使用卷积网络学习对象| [ICCV'15] |
[pdf][official code - caffe] -
[AttentionNet] AttentionNet：汇总精确物体检测的弱方向| [ICCV'15] |
[pdf] -
[快速R-CNN]快速R-CNN | [ICCV'15] |
[pdf][official code - caffe] -
[DeepProposal] DeepProposal：通过级联深层卷积层来狩猎对象| [ICCV'15] |
[pdf][official code - matconvnet] -
[更快的R-CNN，RPN]更快的R-CNN：利用区域提案网络进行实时物体检测 [NIPS'15] |
[pdf][official code - caffe][unofficial code - tensorflow][unofficial code - pytorch]
2016
-
[YOLO v1]你只看一次：统一的实时物体检测| [CVPR'16] |
[pdf][official code - c] -
[G-CNN] G-CNN：基于迭代网格的物体探测器| [CVPR'16] |
[pdf] -
[AZNet]使用邻接和缩放预测的自适应对象检测| [CVPR'16] |
[pdf] -
[ION]内外网：用跳过池和回归神经网络检测上下文中的对象 [CVPR'16] |
[pdf] -
[HyperNet] HyperNet：迈向准确的区域建议生成和联合对象检测| [CVPR'16] |
[pdf] -
[OHEM]基于在线硬实例挖掘的基于训练区域的物体探测器| [CVPR'16] |
[pdf][official code - caffe] -
[CRAPF]来自图像的CRAFT对象| [CVPR'16] |
[pdf][official code - caffe] -
[MPN]用于对象检测的多路径网络| [BMVC'16] |
[pdf][official code - torch] -
[SSD] SSD：单次多盒检测器| [ECCV'16] |
[pdf][official code - caffe][unofficial code - tensorflow][unofficial code - pytorch] -
[GBDNet]制作用于物体检测的GBD-Net | [ECCV'16] |
[pdf][official code - caffe] -
[CPF]快速R-CNN的上下文启动和反馈| [ECCV'16] |
[pdf] -
[MS-CNN]一种用于快速目标检测的统一多尺度深度卷积神经网络 [ECCV'16] |
[pdf][official code - caffe] -
[R-FCN] R-FCN：基于区域的完全卷积网络的对象检测| [NIPS'16] |
[pdf][official code - caffe][unofficial code - caffe] -
[PVANET] PVANET：用于实时物体检测的深而轻量级的神经网络 [NIPSW'16] |
[pdf][official code - caffe] -
[DeepID-Net] DeepID-Net：用于对象检测的可变形深度卷积神经网络| [PAMI'16] |
[pdf] -
卷积特征映射上的[NoC]对象检测网络| [TPAMI'16] |
[pdf]
2017年
-
[DSSD] DSSD：反卷积单次检测器| [arXiv'17] |
[pdf][official code - caffe] -
[TDM]超越跳过连接：用于对象检测的自顶向下调制| [CVPR'17] |
[pdf] -
[FPN]用于对象检测的特征金字塔网络| [CVPR'17] |
[pdf][unofficial code - caffe] -
[YOLO v2] YOLO9000：更好，更快，更强 [CVPR'17] |
[pdf][official code - c][unofficial code - caffe][unofficial code - tensorflow][unofficial code - tensorflow][unofficial code - pytorch] -
[RON] RON：与对象检测对象先验网络的反向连接| [CVPR'17] |
[pdf][official code - caffe][unofficial code - tensorflow] -
[RSA] CNN中对象检测的递归尺度近似 | [ICCV'17] |
[pdf][official code - caffe] -
[DCN]可变形卷积网络| [ICCV'17] |
[pdf][official code - mxnet][unofficial code - tensorflow][unofficial code - pytorch] -
[DeNet] DeNet：利用定向稀疏采样进行可扩展的实时目标检测| [ICCV'17] |
[pdf][official code - theano] -
[CoupleNet] CoupleNet：将全局结构与本地部件耦合用于对象检测| [ICCV'17] |
[pdf][official code - caffe] -
[RetinaNet]密集物体检测的焦点损失| [ICCV'17] |
[pdf][official code - keras][unofficial code - pytorch][unofficial code - mxnet][unofficial code - tensorflow] -
[Mask R-CNN] Mask R-CNN | [ICCV'17] |
[pdf][official code - caffe2][unofficial code - tensorflow][unofficial code - tensorflow][unofficial code - pytorch] -
[DSOD] DSOD：从Scratch学习深度监督的物体探测器 [ICCV'17] |
[pdf][official code - caffe][unofficial code - pytorch] -
[SMN]用于对象检测中的上下文推理的空间记忆| [ICCV'17] |
[pdf] -
[Light-Head R-CNN] Light-Head R-CNN：防御两级物体探测器| [arXiv'17] |
[pdf][official code - tensorflow] -
[Soft-NMS]用一行代码改进对象检测| [ICCV'17] |
[pdf][official code - caffe]
2018
-
[YOLO v3] YOLOv3：增量改进| [arXiv'18] |
[pdf][official code - c][unofficial code - pytorch][unofficial code - pytorch][unofficial code - keras][unofficial code - tensorflow] -
[ZIP]通过对象提案的递归训练缩小输入和输入网络| [IJCV'18] |
[pdf][official code - caffe] -
[SIN]结构推理网：使用场景级上下文和实例级关系进行对象检测| [CVPR'18] |
[pdf][official code - tensorflow] -
[STDN]规模可传输对象检测| [CVPR'18] |
[pdf] -
[RefineDet]用于物体检测的单次细化神经网络| [CVPR'18] |
[pdf][official code - caffe][unofficial code - chainer][unofficial code - pytorch] -
[MegDet] MegDet：大型小批量物体探测器| [CVPR'18] |
[pdf] -
[DA Faster R-CNN]用于野外物体检测的域自适应更快的R-CNN | [CVPR'18] |
[pdf][official code - caffe] -
[SNIP]对象检测中的尺度不变性分析 - SNIP | [CVPR'18] |
[pdf] -
[关系网]对象检测关系网络| [CVPR'18] |
[pdf][official code - mxnet] -
[Cascade R-CNN]级联R-CNN：深入研究高质量物体检测| [CVPR'18] |
[pdf][official code - caffe] -
用生成性对抗网络寻找野外的微小面孔| [CVPR'18] |
[pdf] -
[MLKP]用于对象检测的多尺度位置感知核表示| [CVPR'18] |
[pdf][official code - caffe] -
通过渐进域自适应进行跨域弱监督对象检测| [CVPR'18] |
[pdf][official code - chainer] -
[Fitness NMS]通过健身NMS和有界IoU损失改善对象本地化| [CVPR'18] |
[pdf] -
[STDnet] STDnet：用于小目标检测的ConvNet | [BMVC'18] |
[pdf] -
[RFBNet]用于准确和快速物体检测的接收场块网络 [ECCV'18] |
[pdf][official code - pytorch] -
Web知识转移的零注释对象检测| [ECCV'18] |
[pdf] -
[CornerNet] CornerNet：将对象检测为配对关键点| [ECCV'18] |
[pdf][official code - pytorch] -
[PFPNet]用于对象检测的并行特征金字塔网络| [ECCV'18] |
[pdf] -
[Softer-NMS] Softer-NMS：反思精确物体检测的边界框回归| [arXiv'18] |
[pdf] -
[ShapeShifter] ShapeShifter：对更快的R-CNN物体探测器进行强大的物理对抗攻击 [ECML-PKDD'18] |
[pdf][official code - tensorflow] -
[Pelee] Pelee：移动设备上的实时对象检测系统| [NIPS'18] |
[pdf][official code - caffe] -
[HKRM]用于大规模目标检测的混合知识路由模块| [NIPS'18] |
[pdf] -
[MetaAnchor] MetaAnchor：学习使用自定义锚点检测对象| [NIPS'18] |
[pdf] -
[SNIPER] SNIPER：高效的多规模培训| [NIPS'18] |
[pdf]
2019
-
[M2Det] M2Det：基于多级特征金字塔网络的单次目标检测器| [AAAI'19] |
[pdf][official code - pytorch] -
[R-DAD]基于区域分解和组装的目标检测 [AAAI'19] |
[pdf] -
[CAMOU] CAMOU：学习物理车辆伪装以对抗攻击野外探测器| [ICLR'19] |
[pdf] -
用于对象检测的特征Intertwiner | [ICLR'19] |
[pdf] -
[GIoU]联合上的广义交集：边界框回归的度量和损失| [CVPR'19] |
[pdf] -
使用自我训练自动将物体探测器调整到新的域 [CVPR'19] |
[pdf] -
[天秤座R-CNN]天秤座R-CNN：物体检测的平衡学习| [CVPR'19] |
[pdf] -
用于单次物体检测的特征选择性无锚模块| [CVPR'19] |
[pdf] -
[ExtremeNet]通过分组极端和中心点进行自下而上的物体检测| [CVPR'19] |
[pdf]|[official code - pytorch] -
[C-MIL] C-MIL：用于弱监督对象检测的连续多实例学习| [CVPR'19] |
[pdf]|[official code - torch] -
[ScratchDet] ScratchDet：从Scratch训练单次物体探测器 [CVPR'19] |
[pdf] -
精确物体检测的不确定边界框回归分析 [CVPR'19] |
[pdf]|[official code - caffe2] -
活动驱动的弱监督对象检测| [CVPR'19] |
[pdf] -
用AP损失实现精确的单级物体检测| [CVPR'19] |
[pdf] -
自适应对象检测的强弱分布对齐| [CVPR'19] |
[pdf]|[official code - pytorch] -
[NAS-FPN] NAS-FPN：学习用于对象检测的可扩展特征金字塔结构| [CVPR'19] |
[pdf] -
[自适应NMS]自适应NMS：改进人群中的行人检测| [CVPR'19] |
[pdf] -
指出：限制：超越人群中的人数 [CVPR'19] |
[pdf] -
定位没有边界框的对象| [CVPR'19] |
[pdf] -
从稀疏注释对象中进行大规模目标检测的采样技术 [CVPR'19] |
[pdf] -
通过域注意实现通用对象检测| [CVPR'19] |
[pdf] -
探索物体检测语境效用的界限| [CVPR'19] |
[pdf] -
我应该使用什么物品？ - 任务驱动的对象检测| [CVPR'19] |
[pdf] -
基于相异系数的弱监督对象检测| [CVPR'19] |
[pdf] -
通过选择性跨域对齐调整对象检测器| [CVPR'19] |
[pdf] -
用于物体检测的全量化网络| [CVPR'19] |
[pdf] -
具有细粒度特征模仿的蒸馏物体探测器| [CVPR'19] |
[pdf] -
通过回收边界框注释的多任务自监督对象检测| [CVPR'19] |
[pdf] -
[推理-RCNN]推理-RCNN：将自适应全局推理统一为大规模目标检测 [CVPR'19] |
[pdf] -
具有自适应文本区域表示的任意形状场景文本检测| [CVPR'19] |
[pdf] -
辅助激活激活：改进物体探测器的学习技术| [CVPR'19] |
[pdf] -
用于大规模目标检测的空间感知图关系网络 [CVPR'19] |
[pdf] -
[MaxpoolNMS] MaxpoolNMS：摆脱两阶段物体探测器中的NMS瓶颈问题 [CVPR'19] |
[pdf] -
收获你播种的内容：为弱监督对象检测生成高精度对象建议 [CVPR'19] |
[pdf] -
具有位置感知可变形卷积和后向注意过滤的对象检测| [CVPR'19] |
[pdf] -
多样化和匹配：用于对象检测的域自适应表示学习范例| [CVPR'19] |
[pdf] -
[GFR]通过门控特征重用从头开始改善物体检测| [BMVC'19] |
[pdf]|[official code - pytorch] -
[Cascade RetinaNet] Cascade RetinaNet：维持单级物体检测的一致性| [BMVC'19] |
[pdf] -
用于鲁棒物体检测的软采样| [BMVC'19] |
[pdf] -
用于无限制对象检测的多对等Faster-RCNN | [ICCV'19] |
[pdf] -
对抗鲁棒性对象检测| [ICCV'19] |
[pdf] -
[Cap2Det] Cap2Det：学习放大对象检测的弱字幕监控| [ICCV'19] |
[pdf] -
[Gaussian YOLOv3] Gaussian YOLOv3：一种使用定位不确定性进行自动驾驶的精确快速物体检测器 [ICCV'19] |
[pdf]
数据集论文
常用对象检测数据集的统计。该表来自该调查报告。
| 挑战 | 对象类 | 图像数量 | 注释图像的数量 | |||
|---|---|---|---|---|---|---|
| 培养 | 瓦尔 | 测试 | 培养 | 瓦尔 | ||
| PASCAL VOC物体检测挑战 | ||||||
| VOC07 | 20 | 2501 | 2,510 | 4,952 | 6,301（7,844） | 6,307（7,818） |
| VOC08 | 20 | 2111 | 2221 | 4,133 | 5,082（6,337） | 5,281（6,347） |
| VOC09 | 20 | 3473 | 3,581 | 6,650 | 8,505（9,760） | 8,713（9,779） |
| VOC10 | 20 | 4998 | 5,105 | 9637 | 11,577（13,339） | 11,797（13,352） |
| VOC11 | 20 | 5,717 | 5,823 | 10994 | 13,609（15,774） | 13,841（15,787） |
| VOC12 | 20 | 5,717 | 5,823 | 10991 | 13,609（15,774） | 13,841（15,787） |
| ILSVRC对象检测挑战 | ||||||
| ILSVRC13 | 200 | 395909 | 20121 | 40152 | 345854 | 55502 |
| ILSVRC14 | 200 | 456567 | 20121 | 40152 | 478807 | 55502 |
| ILSVRC15 | 200 | 456567 | 20121 | 51294 | 478807 | 55502 |
| ILSVRC16 | 200 | 456567 | 20121 | 60000 | 478807 | 55502 |
| ILSVRC17 | 200 | 456567 | 20121 | 65,500 | 478807 | 55502 |
| MS COCO对象检测挑战 | ||||||
| MS COCO15 | 80 | 82783 | 40504 | 81434 | 604907 | 291875 |
| MS COCO16 | 80 | 82783 | 40504 | 81434 | 604907 | 291875 |
| MS COCO17 | 80 | 118287 | 5000 | 40670 | 860001 | 36781 |
| MS COCO18 | 80 | 118287 | 5000 | 40670 | 860001 | 36781 |
| 打开图像对象检测挑战 | ||||||
| OID18 | 500 | 1743042 | 41620 | 125436 | 12195144 | - |
与主要用于物体检测的数据集有关的论文如下。
-
[PASCAL VOC] PASCAL视觉对象类（VOC）挑战| [IJCV'10] |
[pdf] -
[PASCAL VOC] PASCAL视觉对象类挑战：回顾| [IJCV'15] |
[pdf]|[link] -
[ImageNet] ImageNet：大规模分层图像数据库| [CVPR'09] |
[pdf] -
[ImageNet] ImageNet大规模视觉识别挑战| [IJCV'15] |
[pdf]|[link] -
[COCO] Microsoft COCO：上下文中的常见对象| [ECCV'14] |
[pdf]|[link] -
[打开图像]打开图像数据集V4：统一图像分类，对象检测和视觉关系检测| [arXiv'18] |
[pdf]|[link] -
[DOTA] DOTA：航空影像中物体检测的大型数据集| [CVPR'18] |
[pdf]|[link]