我根據最近的coco上的成績，列了乙個**，如下
排名方法
box ap
github
1cascade mask r-cnn
53.3
cbnet
cbnet
2efficientdet-d7
51.0
efficientdet
pytorch版
tf版3
atss
50.7
atss
atss
4efficientdet-d6
50.6
5efficientdet-d5
49.8
6tridentnet
48.4
tridentnet
******det
7gcnet
48.4
gcnet
gcnet
21fcos
44.7
fcos
fcos
26m2det
44.2
m2det
m2det
27yolo3+asff
43.9
assf
assf
上面排名是根據coco上的box ap值從大到小排出來的，具體的排名可以參考github上的pwc專案
這裡面列舉出來的演算法都是關注量非常高的演算法，一方面其成績非常不錯，另一方面適合部署。如果乙個演算法的成績非常好，但是運算非常耗時，這樣也不在關注視野內。
efficientdet提出了7種不同的網路結構，根據其複雜度不同，可以適應不同計算能力的平台，直接把yolov3按在地上摩擦
2、atss
張士峰大佬的新作，當然值得去研究。在anchor-free和anchor-based之間做文章，大佬親自在知乎上做了評價
還是使用darknet作為主幹網路，在yolov3上加入了asff策略。
上面列舉出來的三個演算法非常值得去研究一波
在做上面那個**的時候，我發現了乙個問題，最新開源的出來的復現**大部分都是pytorch的，剩下一小部分是tf的，根本沒有其他了。如果官方給出的不是pytorch版本，也會馬上有大佬用pytorch復現出來。
然後我有點懷念當年的caffe了，於是我找到了這張圖
這個圖示是根據在某乙個具體的月份，開源的目標檢測演算法使用的深度學習框架的數量畫出來的折線圖。可以看到，pytorch逐漸壯大，ft貌似一直都很強大，caffe就沒在這個統計者嚴重出現過，屬於其它。但是可以肯定，在15年，16年兩年，caffe還是佔據了其它類別的半壁江山的。
技術飛速發展的今天，唯一不變的也許就是變化了，擁抱變化才能擁抱未來！
references
[1] cbnet:
[2] cbnet:
[3] efficientdet:
[4] pytorch版:
[5] tf版:
[6] atss:
[7] atss:
[8] tridentnet:
[9] ******det:
[10] gcnet:
[11] gcnet:
[12] fcos:
[13] fcos:
[14] m2det:
[15] m2det:
[16] assf:
[17] assf:
[18] pwc專案:
[19] 評價:
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...
CVPR2017 最新目標檢測相關
1 speed accuracy trade offs for modern convolutional object detectors 其主要考慮三種檢測器 faster rcnn,r fcn,ssd 作為元結構，三種cnn網路 vgg，inception，resnet 作為特徵提取器，變化其他...