資源 | 目標檢測演算法精彩集錦（含圖像和視頻等）

目標檢測，通俗的理解其目的是定位目標，並確定目標位置及大小。相比於圖像目標檢查，視頻檢測是比單張圖片檢測多了時間上下文的信息；相比於傳統目標檢測，深度學習目標檢測演算法越來越成熟，那麼到底在目標檢測上有哪些可用的深度學習演算法，哪些演算法又比較適合我們的工作或者研究呢？深思考小編帶你一起了解目標檢測演算法！目標檢測演算法論文集[overfeat]http://arxiv.org/abs/1312.6229[RCNN]http://arxiv.org/abs/1311.2524[SPP-Net]http://arxiv.org/pdf/1406.4729.pdf[Fast-RCNN]http://arxiv.org/abs/1504.08083[R-FCN]https://arxiv.org/abs/1605.06409[Faster-RCNN]http://arxiv.org/abs/1506.01497[YOLO]http://arxiv.org/abs/1506.02640[YOLO2]https://arxiv.org/pdf/1612.08242v1.pdf[SSD]http://arxiv.org/pdf/1512.02325v1.pdf[HyperNet]https://www.arxiv.org/abs/1604.00600[MR-CNN]http://arxiv.org/abs/1505.01749[Inside-Outside Net]http://120.52.73.9/[LocNet]https://arxiv.org/abs/1511.07763[G-CNN]https://arxiv.org/abs/1512.07729[MASK-RCNN]http://arxiv.org/abs/1605.02319目標檢測演算法性能大比拼目標檢測演算法實際應用中的場景，無外乎關心MAP和檢測耗時兩個指標，針對上述一系列的演算法，下表給出其對應的結果，其中+++表示訓練數據為VOC07+VOC12+MS COCO。其餘方法的訓練數據均為VOC07 for VOC07 test，VOC07+VOC12 for VOC12test，MS COCO for MS COCO test.方法檢測耗時VOC07VOC12MS COCOoverfeat----------------RCNN13s66.053.3----SPP-Net0.29s59.2--------fast-rcnn0.32s70.068.019.7faster-rcnn+++140ms85.683.821.9HyperNet1140ms76.371.4----MR-CNN30s78.273.9----R-FCN+++0.17s83.682.029.9ION0.8s79.276.433.1視頻演算法--------YOLO45FPS63.457.9----Fast YOLO155FPS52.7--------SSD30058FPS72.170.320.8SSD50023FPS75.173.124.4目標檢測演算法源碼大集合[overfeat]https://github.com/sermanet/OverFeat[RCNN]https://github.com/rbgirshick/rcnn[SPP-Net]https://github.com/dsisds/caffe-SPPNet[Fast-RCNN]https://github.com/rbgirshick/fast-rcnn[R-FCN]https://github.com/daijifeng001/R-FCN[Faster-RCNN]https://github.com/rbgirshick/py-faster-rcnn[YOLO]https://github.com/nilboy/tensorflow-yolo[YOLO2]https://github.com/pjreddie/darknet[SSD]https://github.com/weiliu89/caffe/tree/ssd
推薦閱讀：