目标检测算法回顾之发展概览

说明：本文仅供学习

中秋十一福利预告巴拉巴拉

2023年9月29日和2023年10月7日，这两天分别抽1位三连击粉丝送PPT，分别抽2位送PDF版：
注意事项：
1.满足三连（点击、收藏、评论）
2.评论时间在2023年9月24日至2023年10月7日，公布时间分别为9月29日和10月7日。评论留记得邮箱。

发展历史轴（时间轴线图）

目标检测的算法发展可以追溯到很久之前，这里我根据前两年的综述论文加上这两年的发展也画了两个部分的相关模型发展轴。可以看到，目标检测算法在2012年前均采用传统算法进行处理。

在2012年之后随着算力及数据的提升，大量的深度学习模型涌现。最开始的模型主要采用的是以RCNN为首的two-stage目标检测模型。但随着移动端对目标检测效率要求的提高，16年之后模型开始以YOLO为首的one-stage模型为主。但前面两种模型都比较依赖anchor的设定，因此，为减少anchor对模型的影响，在18年CornerNet提出之后兴起了对anchor-free的研究。17年底谷歌推出了Transformers模型，随后在19年开始大火并开始应用于视觉领域，在20年时Facebook AI团队首次将Transformers模型应用于目标检测领域，开启了目标检测新的研究浪潮，包括最近很火的Swin Transformer模型。

算法方法概览（思维导图）

从上面模型的发展来看，目标检测算法可以主要可以分为以下五类。其中，传统算法比较依赖于手工特征的设计。对基于Anchor的方法，可以从两个角度来看待其模型的发展，一是训练模式，二是Anchor的形状。从训练模式来看的话，基于anchor的目标检测模型主要可以分为One-stage和Two-stage模型。One-stage模型因为检测速率较快的优点多用于移动端场景，而Two-stage模型因为检测精度较高的优点多用于精装设备场景。从Anchor形态来看，对于不同的物体用更加贴合其自身形态的anchor会更加精确。其中，矩形和多边形多用于遥感和文字检测场景，而椭圆及圆形多用于遥感和医学领域。

下图是我罗列出不同类型目标检测算法中比较经典的模型及算法，在后面的讲解中主要只讲解所提到的比较经典的方法。