1. 什么是目标检测？

这里写图片描述

**目标检测 **的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。

计算机视觉中关于图像识别有四大类任务：
分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。

2. 目标检测要解决的核心问题

除了图像分类之外，目标检测要解决的核心问题是：
1.目标可能出现在图像的任何位置。
2.目标有各种不同的大小。
3.目标可能有各种不同的形状。
如果用矩形框来定义目标，则矩形有不同的宽高比。由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。

3. 目标检测学习资源

3.1 Papers With Code – Object Detection on COCO test-dev

在这里插入图片描述

https://www.paperswithcode.com/sota/object-detection-on-coco
上边的链接是Papers With Code网站关于图像目标检测的排名，Papers With COde 是一个特别值得收藏的网址，网站收录了当前各种不同机器学习任务的排名，其中包含论文与代码的链接。现有目标检测排名主要是基于COCO数据集进行的排名，网站会实时更新，是一个学习的好网站。以下展示了部分机器任务，其他方向可以去网站看一下，绝对物超所值。
在这里插入图片描述

3.2 目标检测论文、代码整理

在这里插入图片描述

这个网站是一个整理计算视觉的网站，上边会定期更新最新发表的论文以及相关的代码。而且这个也是不仅仅是目标检测一个分类，感兴趣的同学还可以进去看一下其他方向整理的论文与代码。
Object Detection – handong1587

3.3各大论文期刊目标检测

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
ScratchDet	84.1 (07++12)	83.6 (07++12)	39.1	CVPR’19
Libra R-CNN	–	–	43.0	CVPR’19
Reasoning-RCNN	82.5 (07++12)	–	43.2	CVPR’19
FSAF	–	–	44.6	CVPR’19
AmoebaNet + NAS-FPN	–	–	47.0	CVPR’19
Cascade-RetinaNet	–	–	41.1	CVPR’19
HTC	–	–	47.2	CVPR’19
TridentNet	–	–	48.4	ICCV’19
DAFS	85.3 (07+12)	83.1 (07++12)	40.5	ICCV’19
Auto-FPN	81.8 (07++12)	–	40.5	ICCV’19
FCOS	–	–	44.7	ICCV’19
FreeAnchor	–	–	44.8	NeurIPS’19
DetNAS	81.5 (07++12)	–	42.0	NeurIPS’19
NATS	–	–	42.0	NeurIPS’19
AmoebaNet + NAS-FPN + AA	–	–	50.7	arXiv’19
SpineNet	–	–	52.1	arXiv’19
CBNet	–	–	53.3	AAAI’20
EfficientDet	–	–	52.6	CVPR’20
DetectoRS	–	–	54.7	arXiv’20