目录

• 历史回顾
• 开源库：Detectron
• YOLO nano
• gaussian yolov3

历史回顾

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

同时参考一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；
2. 候选区域/框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：
   • R-CNN（Selective Search + CNN + SVM）
   • SPP-net（ROI Pooling）
   • Fast R-CNN（Selective Search + CNN + ROI）
   • Faster R-CNN（RPN + CNN + ROI）
   • R-FCN等系列方法；
3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近出现的结合RNN算法的RRC detection；结合DPM的Deformable CNN等

开源库：Detectron

https://github.com/facebookresearch/Detectron

如果你正在寻找最先进的物体检测算法，那么你可以使用Detectron。

它由Facebook开发，是AI Research软件系统的一部分。它利用Caffe2深度学习框架和Python。

YOLO nano

比Tiny YOLOv3小8倍，性能提升11个点，4MB的网络也能做目标检测

YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection

研究者提出了名为 YOLO Nano 的网络。这一模型的大小在 4.0MB 左右，比 Tiny YOLOv2 和 Tiny YOLOv3 分别小了 15.1 倍和 8.3 倍。在计算上需要 4.57B 次推断运算，比后两个网络分别少了 34% 和 17%。

在性能表现上，在 VOC2007 数据集取得了 69.1% 的 mAP，准确率比后两者分别提升了 12 个点和 10.7 个点。研究者还在 Jetson AGX Xavier 嵌入式模块上，用不同的能源预算进行了测试，进一步说明 YOLO Nano 非常适合边缘设备与移动端。

gaussian yolov3

Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving