欢迎光临
我们一直在努力

[DL]深度学习目标检测顶会论文集锦及代码汇总

华为学生服务器每月仅需9元!
文章目录
[隐藏]

深度学习目标检测

使用深度学习进行对象检测的纸质清单。我写此页面时参考了这份调查文件以及搜索和搜索。

上次更新时间:2019/09/24

更新日志

2018/9/18-更新所有最新论文,并绘制一些有关使用深度学习进行对象检测的历史的图表。 2018/9/26-论文更新代码 (官方和非官方)
2018年10月 -更新5篇论文和绩效表。
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版!!
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 /五月-更新CVPR 2019论文。
2019年6月 -更新CVPR 2019论文和数据集论文。
2019年/ 7月 -更新BMVC 2019论文和一些ICCV 2019论文。
2019年/ 9月 -更新NeurIPS 2019年论文和ICCV 2019年论文。

目录

2014年至今的论文清单(2019年)

用红色字符突出显示的部分表示我认为“必读”的论文。但是,这是我个人的观点,其他论文也很重要,因此,如果有时间,我建议您阅读它们。

[DL]深度学习目标检测顶会论文集锦及代码汇总

性能表

Detector VOC07 (mAP@IoU=0.5) VOC12 (mAP@IoU=0.5) COCO (mAP@IoU=0.5:0.95) Published In
R-CNN 58.5 CVPR’14
SPP-Net 59.2 ECCV’14
MR-CNN 78.2 (07+12) 73.9 (07+12) ICCV’15
Fast R-CNN 70.0 (07+12) 68.4 (07++12) 19.7 ICCV’15
Faster 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
ION 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-Net 69.0 PAMI’16
NoC 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
Light-Head R-CNN 41.5 arXiv’17
YOLO v3 33.0 arXiv’18
SIN 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
Relation-Network 32.5 CVPR’18
Cascade R-CNN 42.8 CVPR’18
MLKP 80.6 (07+12) 77.2 (07++12) 28.6 CVPR’18
Fitness-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
Pelee 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

FPS(Speed)索引与硬件规格(例如CPU,GPU,RAM等)有关,因此很难进行相等的比较。解决方案是在具有相同规格的硬件上测量所有模型的性能,但这是非常困难且耗时的。

2014年

2015年

2016年

2017年

2018年

2019年

  • [M2Det] M2Det:基于多层特征金字塔网络的单发物体检测器| [AAAI’19] |[pdf] [official code - pytorch]
  • [R-DAD]基于区域分解和装配的目标检测 [AAAI’19] |[pdf]
  • [CAMOU] CAMOU:在野外学习物理车辆伪装以对抗敌人的攻击探测器| [ICLR’19] |[pdf]
  • 用于对象检测的功能交互器| [ICLR’19] |[pdf]
  • [GIoU]关于工会的广义相交:边界框回归的度量和损失| [CVPR’19] |[pdf]
  • 使用自我训练使物体检测器自动适应新领域 [CVPR’19] |[pdf]
  • [天秤座R-CNN]天秤座R-CNN:用于对象检测的平衡学习| [CVPR’19] |[pdf]
  • 用于单发物体检测的功能选择性无锚模块|德州仪器TI.com.cn [CVPR’19] |[pdf]
  • [ExtremeNet]通过对极端点和中心点进行分组来进行底向上的对象检测| [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:训练Scratch的单发目标检测器| [CVPR’19] |[pdf]
  • 具有不确定性的边界框回归用于精确目标检测 [CVPR’19] | [pdf]|[official code - caffe2]
  • 活动驱动的弱监督对象检测 [CVPR’19] |[pdf]
  • 使用AP损耗实现精确的一阶段目标检测|德州仪器TI.com.cn [CVPR’19] |[pdf]
  • 弱弱分布对准用于自适应目标检测 [CVPR’19] | [pdf]|[official code - pytorch]
  • [NAS-FPN] NAS-FPN:学习用于对象检测的可伸缩特征金字塔体系结构| [CVPR’19] |[pdf]
  • [自适应NMS]自适应NMS:完善人群中的行人检测| [CVPR’19] |[pdf]
  • 切入,切出: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对象检测的采样技术 [CVPR’19] |[pdf]
  • 通过域注意实现通用对象检测 [CVPR’19] |[pdf]
  • 探索用于对象检测的上下文实用工具的界限|英特尔®开发人员专区 [CVPR’19] |[pdf]
  • 我应该使用什么物品?-任务驱动对象检测| [CVPR’19] |[pdf]
  • 基于差异系数的弱监督目标检测 [CVPR’19] |[pdf]
  • 通过选择性跨域对齐调整对象检测器|德州仪器TI.com.cn [CVPR’19] |[pdf]
  • 用于物体检测的全量化网络| [CVPR’19] |[pdf]
  • 具有细粒度特征的蒸馏对象检测器| [CVPR’19] |[pdf]
  • 通过边界框批注的回收进行多任务自我监督对象检测 [CVPR’19] |[pdf]
  • [推理-RCNN]推理-RCNN:将自适应全局推理统一到大规模目标检测中 [CVPR’19] |[pdf]
  • 自适应文本区域表示的任意形状场景文本检测 [CVPR’19] |[pdf]
  • 辅助激励激活:一种改进物体检测器的学习技术 [CVPR’19] |[pdf]
  • 空间感知图关系网络用于大规模目标检测 [CVPR’19] |[pdf]
  • [MaxpoolNMS] MaxpoolNMS:消除两阶段对象检测器中的NMS瓶颈| [CVPR’19] |[pdf]
  • 您收获了什么:生成用于弱监督对象检测的高精度对象建议| [CVPR’19] |[pdf]
  • 具有位置感知的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:用于对象检测的领域自适应表示学习范例 [CVPR’19] |[pdf]
  • [GFR]通过门控特征复用改善从零开始的对象检测| [BMVC’19] | [pdf]|[official code - pytorch]
  • [Cascade RetinaNet] Cascade RetinaNet:维护单阶段对象检测的一致性| [BMVC’19] |[pdf]
  • 软采样实现鲁棒的物体检测 [BMVC’19] |[pdf]
  • 用于无限制对象检测的多对抗性Faster-RCNN [ICCV’19] |[pdf]
  • 对抗对抗性强的物体检测 [ICCV’19] |[pdf]
  • 域自适应对象检测的鲁棒学习方法 [ICCV’19] |[pdf]
  • 视频对象检测的延迟度量:平均精度无法说明 [ICCV’19] |[pdf]
  • 深入研究无人机的稳健目标检测:一种深层次的纠缠方法 [ICCV’19] |[pdf]
  • 利用深层零件-对象关系进行显着物体检测 [ICCV’19]
  • 高速学习丰富功能以进行单发目标检测 [ICCV’19]
  • 显着目标检测的联合深度特征和预测细化的结构化建模 [ICCV’19] |[pdf]
  • 选择性还是不变性:边界感知的显着物体检测 [ICCV’19] |[pdf]
  • 视频对象检测的渐进稀疏局部注意力 [ICCV’19] |[pdf]
  • 视频中的最小延迟对象检测 [ICCV’19] |[pdf]
  • 通过展开潜在结构实现可解释的目标检测 [ICCV’19]
  • 通过转移分类权重来缩放对象检测 [ICCV’19] |[pdf]
  • [TridentNet]用于物体检测的可感知规模的三叉戟网络| 英特尔®开发人员专区 [ICCV’19] |[pdf]
  • 小数据对象检测的生成建模 [ICCV’19]
  • 零散物体检测的转导学习 [ICCV’19] |[pdf]
  • 自训练和对抗背景正则化的无监督域自适应一阶段目标检测 [ICCV’19] |[pdf]
  • [CenterNet] CenterNet:用于对象检测的关键三元组| [ICCV’19] |[pdf]
  • [DAFS]用于单发物体检测的动态锚特征选择| 德州仪器TI.com.cn [ICCV’19] |[pdf]
  • [Auto-FPN] Auto-FPN:超越分类的用于对象检测的自动网络体系结构适应| [ICCV’19]
  • 用于无限制对象检测的多专家快速RCNN [ICCV’19] |[pdf]
  • 用于视频对象检测的对象导向外部存储器网络|德州仪器TI.com.cn [ICCV’19]
  • [ThunderNet] ThunderNet:迈向移动设备上的实时通用对象检测| [ICCV’19] |[pdf]
  • [RDN]用于视频目标检测的关系蒸馏网络| [ICCV’19] |[pdf]
  • [MMNet]压缩视频中的快速对象检测 [ICCV’19] |[pdf]
  • 迈向高分辨率显着目标检测 [ICCV’19] |[pdf]
  • [SCAN]用于边缘感知显着目标检测的堆叠式交叉优化网络| [ICCV’19] |[official code]
  • 视频显着目标检测的运动引导注意 [ICCV’19] |[pdf]
  • 使用伪标签的半监督视频显着目标检测 [ICCV’19] |[pdf]
  • 学习对物体检测的建议进行排序 [ICCV’19]
  • [WSOD2] WSOD2:学习自下而上和自上而下的对象蒸馏,以进行弱监督的对象检测| [ICCV’19] |[pdf]
  • [ClusDet]航空图像中的聚类目标检测 [ICCV’19] |[pdf]
  • 走向精确的端到端弱监督对象检测网络 [ICCV’19]
  • 通过特征加权的少量物体检测 [ICCV’19] |[pdf]
  • [Objects365] Objects365:用于对象检测的大规模,高质量数据集| [ICCV’19]
  • [EGNet] EGNet:用于显着物体检测的边缘导航网络| [ICCV’19] |[pdf]
  • 为无阈值显着目标检测优化F度量| [ICCV’19] |[pdf]
  • 视频对象检测的序列级语义聚合 [ICCV’19] |[pdf]
  • [NOTE-RCNN] NOTE-RCNN:用于半监督对象检测的耐噪组合RCNN | [ICCV’19] |[pdf]
  • 用于对象检测的丰富功能导向的优化网络| [ICCV’19]
  • [POD] POD:使用尺度敏感网络的实用目标检测 [ICCV’19] |[pdf]
  • [FCOS] FCOS:完全卷积一阶段对象检测 [ICCV’19] |[pdf]
  • [RepPoints] RepPoints:用于对象检测的点集表示| [ICCV’19] |[pdf]
  • 更好地遵循,更好地遵循:对小物体检测的特征超分辨率进行精确监督 [ICCV’19]
  • 分割协作的弱监督对象检测 [ICCV’19] |[pdf]
  • 利用视频对象检测建议之间的远程时间关系 [ICCV’19]
  • 检测11K类:没有细粒度边界框的大规模目标检测| [ICCV’19] |[pdf]
  • [C-MIDN] C-MIDN:具有分段指导的多实例检测网络耦合,用于弱监督对象检测 [ICCV’19]
  • 元学习检测稀有物体 [ICCV’19]
  • [Cap2Det] Cap2Det:学习增强弱字幕监视以进行对象检测| [ICCV’19] |[pdf]
  • [Gaussian YOLOv3] Gaussian YOLOv3:使用定位不确定性进行自动驾驶的精确,快速的对象检测器| [ICCV’19] |[pdf]
  • [FreeAnchor] FreeAnchor:学习匹配可视对象检测的锚| [NeurIPS’19] |[pdf]
  • 用于光场显着目标检测的面向存储器的解码器|德州仪器TI.com.cn [NeurIPS’19] |
  • 共同注意和共同激励的一站式目标检测 [NeurIPS’19] |
  • [DetNAS] DetNAS:用于对象检测的主干搜索| [NeurIPS’19] |[pdf]
  • 基于一致性的对象半监督学习 [NeurIPS’19] |
  • [NATS]在通道级进行有效的神经体系结构转换搜索以进行对象检测 [NeurIPS’19] |[pdf]

数据集论文

常用对象检测数据集的统计信息。该表来自本调查文件

Challenge Object Classes Number of Images Number of Annotated Images
Train Val Test Train Val
PASCAL VOC Object Detection Challenge
VOC07 20 2,501 2,510 4,952 6,301 (7,844) 6,307 (7,818)
VOC08 20 2,111 2,221 4,133 5,082 (6,337) 5,281 (6,347)
VOC09 20 3,473 3,581 6,650 8,505 (9,760) 8,713 (9,779)
VOC10 20 4,998 5,105 9,637 11,577 (13,339) 11,797 (13,352)
VOC11 20 5,717 5,823 10,994 13,609 (15,774) 13,841 (15,787)
VOC12 20 5,717 5,823 10,991 13,609 (15,774) 13,841 (15,787)
ILSVRC Object Detection Challenge
ILSVRC13 200 395,909 20,121 40,152 345,854 55,502
ILSVRC14 200 456,567 20,121 40,152 478,807 55,502
ILSVRC15 200 456,567 20,121 51,294 478,807 55,502
ILSVRC16 200 456,567 20,121 60,000 478,807 55,502
ILSVRC17 200 456,567 20,121 65,500 478,807 55,502
MS COCO Object Detection Challenge
MS COCO15 80 82,783 40,504 81,434 604,907 291,875
MS COCO16 80 82,783 40,504 81,434 604,907 291,875
MS COCO17 80 118,287 5,000 40,670 860,001 36,781
MS COCO18 80 118,287 5,000 40,670 860,001 36,781
Open Images Object Detection Challenge
OID18 500 1,743,042 41,620 125,436 12,195,144

与对象检测中主要使用的数据集相关的论文如下。

  • [PASCAL VOC] PASCAL可视对象类(VOC)挑战| [IJCV’10] |[pdf]
  • [PASCAL VOC] PASCAL视觉对象类挑战:回顾| [IJCV’15] | [pdf]|[link]
  • [ImageNet] ImageNet:大型分层图像数据库| [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]
  • [开放图像]开放图像数据集V4:统一的图像分类,对象检测和大规模的视觉关系检测| [arXiv’18] | [pdf]|[link]
  • [DOTA] DOTA:用于航空图像中目标检测的大规模数据集| [CVPR’18] | [pdf]|[link]
  • [Objects365] Objects365:用于对象检测的大规模,高质量数据集| [ICCV’19] |[link]

如果你对这篇文章有什么疑问或建议,欢迎下面留言提出,我看到会立刻回复!

打赏
未经允许不得转载:马春杰杰 » [DL]深度学习目标检测顶会论文集锦及代码汇总
华为学生服务器每月仅需9元!

留个评论吧~ 抢沙发 评论前登陆可免验证码!

私密评论

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址(选填,便于回访^_^)
切换注册

登录

忘记密码 ?

切换登录

注册