在2020年中，目标檢測領域出現了許多優秀的工作，今天我們來聊一聊在目前熱門的五大目标檢測開源方案。
1、五大改進，二十多項技巧實驗，堪稱最強目标檢測萬花筒：YOLOv4&YOLOv5
論文：YOLOv4: Optimal Speed and Accuracy of Object Detection
COCO AP：55.4
論文位址：https://arxiv.org/pdf/2004.10934.pdf
代碼位址：https://github.com/AlexeyAB/darknet
YOLOv5：https://github.com/ultralytics/yolov5
(非官方)源碼位址：
(1) Pytorch版：https://github.com/WongKinYiu/PyTorch_YOLOv4
(2) tensorflow版：https://github.com/ultralytics/yolov5
YOLOv4試驗對比了大量的近幾年來最新的深度學習技巧，例如 Swish、Mish激活函數，CutOut和CutMix資料增強方法，DropPath和DropBlock正則化方法，也提出了自己的創新，例如 Mosaic （馬賽克） 和 自對抗訓練資料增強方法，提出了修改版本的 SAM 和 PAN，跨Batch的批歸一化（BN），共五大改進。是以說該文章工作非常紮實，也極具創新。
YOLOv5的工作與YOLOv4十分相近，YOLOv4的網絡結構圖：
2、基于Transformer的目标檢測新範式: DETR
論文：End-to-End Object Detection with Transformers
論文位址：https://arxiv.org/abs/2006.02334
代碼位址：https://github.com/facebookresearch/detr
DETR将檢測視為集合預測問題，簡化了目标檢測的整體流程。它沒有現在主流的目标檢測器中的anchor、label assign、nms等操作，做到了真正的end-to-end。它主要采用了Transformer的編解碼結構，它在序列預測任務上大獲成功。Transformer中的自注意力機制顯示地界定了序列中元素間的互相作用，是以可以用于限制集合的預測結果。
DETR的檢測思路是首先使用CNN提取圖像特征，然後用transformer模型來檢測物體輸出set of box predictions ，訓練過程采用二分圖比對損失函數。
3、目前最高最快最小模型，可擴縮且高效的目标檢測: EfficientDet
論文：EfficientDet: Scalable and Efficient Object Detection
論文位址：https://arxiv.org/abs/2005.12872
代碼位址：https://github.com/google/automl
COCO AP: 51.0
(非官方)源碼位址：
(1) Pytorch版：https://github.com/toandaominh1997/EfficientDet.Pytorch
(2) Keras&&TensorFlow版：https://github.com/xuannianz/EfficientDet
EfficientDet一大創新點是改進了FPN中的多尺度特征融合方式，提出了權重雙向特征金字塔網絡BiFPN。BiFPN 引入了一種自頂向下的路徑，融合P3～P7的多尺度特征, 并且EfficientDet認為FPN中各尺度的特征重要性是不同的，故在BiFPN特征融合的連接配接中需要權重，而權值是在訓練中學習得到的。EfficientDet引入了 EfficientNet 中模型縮放的思想，考慮Input size、backbone Network、BiFPN側向級聯層數、Box/class 層深度作為搜尋空間，通過統一的系數縮放（具體方法見原論文），得到了8個不同計算量和參數量的模型。
參考閱讀：EfficientDet 算法解讀
https://zhuanlan.zhihu.com/p/93241232
4、CenterNet2以56.4mAP超越目前所有檢測模型
論文：Probabilistic two-stage detection
論文位址：https://arxiv.org/abs/2103.07461
代碼位址：https://github.com/xingyizhou/CenterNet2
COCO AP: 56.4
CenterNet2在目前最先進的One-Stage檢測器的基礎上建立了一個機率Two-Stage檢測器。對于每一階段的檢測，CenterNet2模型都會提取區域級特征并進行分類。在第2階段使用更快的R-CNN或級聯分類器。這兩個階段一起訓練，以最大限度地提高預測的機率準确度。在推理中，CenterNet2使用這個最終的對數似然作為檢測得分。
結構說明：
參考閱讀：Centernet 算法解讀
5、特征金字塔與空洞卷積完美結合的目标檢測:DetectoRS
論文：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
論文位址：https://arxiv.org/abs/2005.12872
代碼位址：https://github.com/joe-siyuan-qiao/DetectoRS
COCO AP: 54.7 AP
DetectoRS是谷歌團隊提出的目标檢測模型，論文中探讨了目标檢測中looking and thinking twice的機制，在宏觀上提出了遞歸特征金字塔RFN(Recursive Feature Pyramid)，就是把FPN的輸出先連接配接到bottom up那兒進行再次輸入，然後再輸出時候與原FPN的輸出再進行結合一起輸出。在微觀上提出了可切換空洞卷積SAC(Switchable Atrous Convolution)。在COCO test-dev中取得了SOTA的結果，目标檢測box mAP達到54.7，執行個體分割mask mAP達到47.1，全景分割PQ達到49.6。
參考閱讀：DetectoRS算法解讀
本文僅做學術分享，如有侵權，請聯系删文。