盤(pán)點(diǎn)一下mAP最高的目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)中存在兩個(gè)非常重要的性能：精度和速度，特指mAP和FPS。本文便對(duì)mAP最高的目標(biāo)檢測(cè)算法進(jìn)行了盤(pán)點(diǎn)。

趁最近目標(biāo)檢測(cè)（Object Detection）方向的論文更新較少，趕緊做個(gè)"最強(qiáng)目標(biāo)檢測(cè)算法"大盤(pán)點(diǎn)。

要知道衡量目標(biāo)檢測(cè)最重要的兩個(gè)性能就是精度和速度，特指mAP 和 FPS。其實(shí)現(xiàn)在大多數(shù)論文要么強(qiáng)調(diào) mAP 很高，要么就是強(qiáng)調(diào) mAP 和 FPS 之間 Trade-off 有多好。

本文就來(lái)盤(pán)點(diǎn)一下mAP 最高的目標(biāo)檢測(cè)算法，小編將在COCO數(shù)據(jù)集上 mAP 最高的算法認(rèn)為是"性能最強(qiáng)"目標(biāo)檢測(cè)算法。（COCO數(shù)據(jù)集是現(xiàn)在最主流的目標(biāo)檢測(cè)數(shù)據(jù)集，這一點(diǎn)看最新的頂會(huì)論文就知道了）

時(shí)間：2019.07.07

盤(pán)點(diǎn)內(nèi)容：目標(biāo)檢測(cè) mAP 最高的算法

說(shuō)到目標(biāo)檢測(cè)算法，大家腦子里最先蹦出來(lái)的算法應(yīng)該是 Faster R-CNN 和 YOLOv3。這一點(diǎn)在我調(diào)研的時(shí)候，從大家的反饋明顯看得出來(lái)。

要知道 Faster R-CNN已經(jīng)是2015年提出的論文了，而YOLOv3發(fā)表出來(lái)也已經(jīng)一年多了。最近目標(biāo)檢測(cè)相關(guān)的論文，比較典型的有：SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、兩個(gè)CenterNet 和 CornerNet-Lite等。

這么多目標(biāo)檢測(cè)算法，究竟哪家最強(qiáng)呢？！

性能最強(qiáng)的目標(biāo)檢測(cè)算法

這里羅列了幾個(gè)mAP很強(qiáng)很強(qiáng)的算法，并以時(shí)間線(xiàn)的角度來(lái)展示。

注意：各個(gè)網(wǎng)絡(luò)使用不同backbone，或加不同的tricks，都會(huì)有不同的 mAP。所以小編只介紹所能查到最強(qiáng)的算法或者最強(qiáng)組合算法。

SNIPER: Efficient Multi-Scale Training

mAP：47.6

Date：2018.05.23

arXiv：https://arxiv.org/abs/1805.09300

https://github.com/MahyarNajibi/SNIPER/

TridentNet：Scale-Aware Trident Networks for Object Detection

mAP：48.4

Date：2019.01.07 （已開(kāi)源）

arXiv：https://arxiv.org/abs/1901.01892

https://github.com/TuSimple/simpledet

HTC + DCN + ResNeXt-101-FPN

mAP：50.7

Date：2019.01.22 （已開(kāi)源）

arXiv：https://arxiv.org/abs/1901.07518

https://github.com/open-mmlab/mmdetection

NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection

mAP：48.3

Date：2019.04.16 （未開(kāi)源）

arXiv：https://arxiv.org/abs/1904.07392

CornerNet-Saccade+gt attention

mAP：50.3

Date：2019.04.18 （已開(kāi)源）

arXiv：https://arxiv.org/abs/1904.08900

https://github.com/princeton-vl/CornerNet-Lite

Cascade R-CNN：High Quality Object Detection and Instance Segmentation

mAP：50.9

Date：2019.06.24 （已開(kāi)源）

arXiv：https://arxiv.org/abs/1906.09756

Caffe：https://github.com/zhaoweicai/cascade-rcnn

PyTorch：https://github.com/zhaoweicai/Detectron-Cascade-RCNN

Learning Data Augmentation Strategies for Object Detection

mAP：50.7

Date：2019.06.26 （已開(kāi)源）

arXiv：https://arxiv.org/abs/1906.11172

https://github.com/tensorflow/tpu/tree/master/models/official/detection

綜上所述，可知改進(jìn)后的 Cascade R-CNN 算法是目前(2019.07.07)目標(biāo)檢測(cè)方向性能最強(qiáng)的算法，其 mAP 為 50.9。

侃侃

這里將 mAP 作為目標(biāo)檢測(cè)最強(qiáng)的指標(biāo)，確實(shí)有失偏頗，不夠嚴(yán)謹(jǐn)，因?yàn)楹芏嗳藢⒛繕?biāo)檢測(cè)應(yīng)用在不同的任務(wù)上，其實(shí)要求的性能也有所不同。但請(qǐng)放心，小編后續(xù)會(huì)統(tǒng)計(jì)一波 FPS最快的目標(biāo)檢測(cè)算法 和 mAP-FPS Trade-off 最佳的算法。