隨著深度學習演算法的迅猛發展，目標檢測演算法也從伺服器端轉移到移動端的產品落地。在移動端上的目標檢測架構，目前比較流行的三大派系分別為：谷歌出品的mobilenet系列（v1-v3）、曠視科技產品的shufflenet系列（v1-v2）、facebook出品的fbnet（v1-v3）系列。
最近移動端的目標檢測通過結合神經網路架構搜尋，又新出了三篇移動端目標檢測sota模型：一篇出自谷歌大牛quoc v. le的mixnet；另一篇出自facebook 出品的fbnet 的公升級版本 fbnetv2，就在6月3日，facebook又推出了
fbnetv3。最近一篇重量級**—mobiledets，可以說是目前移動端目標檢測結合nas的另一新標桿。
下面逐一梳理以上演算法，回顧移動端目標檢測演算法的發展軌跡及其主要思想。
目標檢測演算法彙總比較
很難衡量乙個檢測演算法的好壞，因為除了演算法本身的思路之外，還有許多因素影響它的速度和精度，比如 為了對比不同的演算法，可以不考慮上述的所有影響因素，直接對 結果評測，應該能大體看出不同方法的速度差異。上圖是乙個所有方法的預覽。從圖中可以看出rfcn的準確度是最高的。上圖可以看出，速度最快的還是yo...
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...