目標(biāo)檢測中存在兩個非常重要的性能：精度和速度，特指mAP和FPS。本文便對mAP最高的目標(biāo)檢測算法進行了盤點。

趁最近目標(biāo)檢測（Object Detection）方向的論文更新較少，趕緊做個"最強目標(biāo)檢測算法"大盤點。

要知道衡量目標(biāo)檢測最重要的兩個性能就是精度和速度，特指mAP 和 FPS。其實現(xiàn)在大多數(shù)論文要么強調(diào) mAP 很高，要么就是強調(diào) mAP 和 FPS 之間 Trade-off 有多好。

本文就來盤點一下mAP 最高的目標(biāo)檢測算法，小編將在COCO數(shù)據(jù)集上 mAP 最高的算法認(rèn)為是"性能最強"目標(biāo)檢測算法。（COCO數(shù)據(jù)集是現(xiàn)在最主流的目標(biāo)檢測數(shù)據(jù)集，這一點看最新的頂會論文就知道了）

時間：2019.07.07

盤點內(nèi)容：目標(biāo)檢測 mAP 最高的算法

說到目標(biāo)檢測算法，大家腦子里最先蹦出來的算法應(yīng)該是 Faster R-CNN 和 YOLOv3。這一點在我調(diào)研的時候，從大家的反饋明顯看得出來。

要知道 Faster R-CNN已經(jīng)是2015年提出的論文了，而YOLOv3發(fā)表出來也已經(jīng)一年多了。最近目標(biāo)檢測相關(guān)的論文，比較典型的有：SNIPER、CornerNet、ExtremeNet、TridentNet、FSAF、FCOS、FoveaBox、兩個CenterNet 和 CornerNet-Lite等。

這么多目標(biāo)檢測算法，究竟哪家最強呢？！

性能最強的目標(biāo)檢測算法

這里羅列了幾個mAP很強很強的算法，并以時間線的角度來展示。

注意：各個網(wǎng)絡(luò)使用不同backbone，或加不同的tricks，都會有不同的 mAP。所以小編只介紹所能查到最強的算法或者最強組合算法。

SNIPER: Efficient Multi-Scale Training

mAP：47.6

Date：2018.05.23

arXiv：https://arxiv.org/abs/1805.09300

https://github.com/MahyarNajibi/SNIPER/

TridentNet：Scale-Aware Trident Networks for Object Detection

mAP：48.4

Date：2019.01.07 （已開源）

arXiv：https://arxiv.org/abs/1901.01892

https://github.com/TuSimple/simpledet

HTC + DCN + ResNeXt-101-FPN

mAP：50.7

Date：2019.01.22 （已開源）

arXiv：https://arxiv.org/abs/1901.07518

https://github.com/open-mmlab/mmdetection

NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection

mAP：48.3

Date：2019.04.16 （未開源）

arXiv：https://arxiv.org/abs/1904.07392

CornerNet-Saccade+gt attention

mAP：50.3

Date：2019.04.18 （已開源）

arXiv：https://arxiv.org/abs/1904.08900

https://github.com/princeton-vl/CornerNet-Lite

Cascade R-CNN：High Quality Object Detection and Instance Segmentation

mAP：50.9

Date：2019.06.24 （已開源）

arXiv：https://arxiv.org/abs/1906.09756

Caffe：https://github.com/zhaoweicai/cascade-rcnn

PyTorch：https://github.com/zhaoweicai/Detectron-Cascade-RCNN

Learning Data Augmentation Strategies for Object Detection

mAP：50.7

Date：2019.06.26 （已開源）

arXiv：https://arxiv.org/abs/1906.11172

https://github.com/tensorflow/tpu/tree/master/models/official/detection

綜上所述，可知改進后的 Cascade R-CNN 算法是目前(2019.07.07)目標(biāo)檢測方向性能最強的算法，其 mAP 為 50.9。

侃侃

這里將 mAP 作為目標(biāo)檢測最強的指標(biāo)，確實有失偏頗，不夠嚴(yán)謹(jǐn)，因為很多人將目標(biāo)檢測應(yīng)用在不同的任務(wù)上，其實要求的性能也有所不同。但請放心，小編后續(xù)會統(tǒng)計一波 FPS最快的目標(biāo)檢測算法 和 mAP-FPS Trade-off 最佳的算法。