实时目标检测算法比较综述:不比不知道,原来NanoDet那么优秀!
目标检测算法很多,但那些在COCO等数据集上登顶的算法往往模型较大、计算复杂度高,其实大家更关心的是“开源”且“实时”目标检测方法。
今天向大家介绍一篇目标检测综述,其对常见的开源实时目标检测算法进行了比较研究,从精度、速度、鲁棒性、消耗能量等角度做了细致的比较,非常值得参考。
这篇论文发表于Transactions on Machine Learning Research,作者信息:
作者来自荷兰 NavInfo Europe 公司。
论文题目:
A Comprehensive Study of Real-Time Object Detection Networks Across Multiple Domains: A Survey
论文地址:
https://arxiv.org/pdf/2208.10895.pdf
下表列出了作者比较的目标检测算法、backbone、数据集和测试硬件:
下图则是该文所列算法使用HarDNet-68 backbone在COCO数据集上的评估结果:
可见NanoDet除了对抗鲁棒性稍差,各方面评估结果均较高!
下表列出了所有参与比较的算法的细节总览:
ThunderNet 主要部件示意图:
YOLO 主要部件示意图:
SSD 主要部件示意图:
CenterNet 主要部件示意图:
FCOS主要部件示意图:
NanoDet 主要部件示意图:
DETR 主要部件示意图:
TTFNet 主要部件示意图:
下图列出了使用的数据集的基本情况:
下表展示了,不同检测算法使用9种不同backbone在COCO数据集上的测试结果:
可见,精度上FCOS、NanoDet、CenterNet都很优秀,推理速度上NanoDet、CenterNet更胜一筹,耗费能量上NanoDet仍然优秀到底了。
其可视化的散点图如下:
所有检测模型与backbone的组合在COCO与VOC数据集上的比较结果:
可见,NanoDet + ShuffleNet-v2 是被点名表扬最多的那个组合。
不同大小的目标检测结果:
对于中、大目标,大多数算法都有比较好的表现,小目标检测性能的比较是重头戏,可见NanoDet、FCOS表现依旧领跑。
如下图,鲁棒性测试比较中,随着自然和人为干扰因素的增强,各种算法均表现出较大的性能下降。
当然,这一轮比较,NanoDet性能掉的相对更猛一点,但大家都很拉胯,其实差距也没那么大。
在BDD数据集上的比较结果:
在TensorRT硬件推理方面,YOLO表现得更加友好:
一些检测结果示例:
总结起来,NanoDet是实时目标检测的首选算法!
更多详细内容请查看原论文:
https://arxiv.org/pdf/2208.10895.pdf
更多CV类综述论文推荐:
https://github.com/52CV/CV-Surveys
相关文章
- 实例分割综述(单阶段/两阶段/实时分割算法汇总)
- win上实现linux上watch功能,基于pyqt5在windows下实时刷新nvidia-smi,可套用其他类似命令!
- 利用websocket实现web端在线客服实时聊天系统
- 精度大于90%!中科大实现非接触心电图实时监测:基于毫米波雷达+AI技术
- Flink CEP 新特性进展与在实时风控场景的落地
- 机器人焊缝追踪是怎么实现实时补偿的
- 红色通讯:实时监控Redis状态(redis状态监控)
- 中国科学家实现世界最快实时量子随机数发生器
- MySQL实时日统计:查看每天的数据洞察(mysql查询每天数据)
- Linux系统端口流量实时监控(linux端口流量监控)
- MSSQL表实时同步:实现0延迟更新(MSSql表实时更新)
- Linux tail源码分析:实时查看文件变动(linuxtail源码)
- 查看Redis数据有效性的实时状态(查询redis 有效期)
- 基于Redis的实时大数据指标推理(基于redis的指标计算)
- js实时获取系统当前时间实例代码