论文地址：A Survey of Modern Deep Learning based Object Detection Models
论文结构：
一、论文亮点（与其他综述不同）：
1、深度分析了两类检测方法：单步和两步检测，并从历史的角度分析；
2、详细的评估了重要的体系结构和轻量化模型。
二、背景
1、目标：识别出图像中所有物体并用框出
2、挑战：
1）内类差异：同一物体的不同形态，或被环境影响；
2）过多的分类量：需要更多的带标签数据集；
3）效率：需要更强的算力，尤其是随着移动设备和边缘设备的普及
三、数据集和评估标准
1、数据集
1）PASCAL VOC：2005年产生。11k图片，27k标签，20种类，提出mAP在0.5 IoC评估模型；
2）ILSVRC ：ImageNet的数据集，包含1百万图片，1000种类（其中50万图片，200个种类是手工选出的）。通过减小IoC的门槛来帮助小目标检测；
3）MS-COCO：2015年微软制作，包含2百万图片，每张图片平均包含3.5个种类和7.7个实例，评价标准更严格，把IoC从0.5到0.95每步长为0.5分一个等级；
4）Open Image：2017年谷歌制作，包含9百余万图片，其中1.9百万的图片中有16百万边界框和600个种类，特点是忽略未注释的类，类的检测要求类及其子类等。
上述数据集倾斜问题：Pascal VOC, MS-COCO, 和Open Images 中人和车等数量最多前五类相比其他数据数量不平衡，其他数据数量太少了。ImageNet 数据集中数据数量最多的是考拉和键盘，它们在现实世界中并不是最常见的。
2、标准
FPS：frames per second，每秒图片（处理的数量）；
IoU：检测到的边界框区域与实际边界框区域的相交面积；
准确率：（Precision）TP/TP+FP
召回率：（Recall）TP/TP+FN
PR：横纵为Recall，纵轴为Precision的曲线；
AP：PR的面积，越接近1越好；
mAP，所有AP的均值。
四、重要的基础
1、AlexNet：获得2012年ILSVRC冠军，包含8个网络层——五个卷积层和三个全连接层，最后一个全连接层和softmax分类器连接。通过多个卷积核获得图像特征，AlexNet是神经网络火热起来；
2、VGG：包含更多更小的卷积层（16-19个网络层，8-16个卷积层，两个卷积层后接池化层），使参数更少，收敛更快。
3、GoogLeNet/Inception：其他神经网络随着精确度的提升，算力需求也在增加。为此GoogLeNet提出使用局部稀疏连接架构而不是完全连接架构来解决这些问题。它有22个深层网络，由多个Inception模块堆叠在一起；
4、ResNet：其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题；
5、ResNeXt：本质是ResNet，其中的残差网络块被特制的拓扑模块代替，它中间产生的参数更少，赢得2016年ILSVRC冠军；
6、CSPNet：网络结构分为两个网络层：一个是卷积层块，一个卷积层和卷积层块的输出结合。它更容易实现并且削减了重复的梯度；
7、EfficientNet：提出使用一个复合参数来均匀缩放所有三个维度，每一个模块的参数总是有联系。它的精确率和速度都。
五、目标检测方法
1、先前方法
1）Viola-Jones：2001年提出，主要用于人脸识别，首先通过滑动窗口和计算积分图像获取Haar-like特征，然后用Adaboost缩放对特征分类和识别；
2）HOG Detector：把图像分成小的连通区域，叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器；
3）DPM：分而治之的思想，把目标的不同部位分别检测，去除不可能组成目标的部分，然后把它们排列作为检测。
2、两阶段检测器
1）R-CNN：R-CNN分为提取框（selective search生成2000个候选区域）、框提取特征（CNN得到特征向量）、图像分类（SVG）、 非极大值抑制（NMS）四个步骤进行目标检测。不过在特征提取这一步将传统的特征(如 SIFT、HOG 特征等)换成了深度卷积网络提取的特征。速度较慢。
2）SPP-NET：可以输入尺寸不同的图片进行识别，卷积层对尺寸没要求，全连接层需要固定尺寸进行连接，于是在它们之间加上空间金字塔池化层（SSP-NET）得到同一尺寸向量。首先通过SS搜索出的候选框用CNN进行一次特征提取，得到feature maps，在其中找到各个候选框的区域，再对候选框进行SSP，提取出固定长度的特征向量，最后用SVM对特征向量进行分类识别。速度有提升，但也比较慢。
3）fast R-CNN：将整幅图像和region proposal（SS产生）作为输入，经过卷积层提取feature map后，经过RoI pooling后输出固定大小的特征图，然后输入到全连接层，将特征向量分支为两个同级的输出层：一个用于分类，即类别个数+1个Softmax概率估计。另一个用于边框回归，输出检测框位置信息的纠正值。速度较快。
4）faster R-CNN：首先让输入图像经过CNN网络，得到一个feature map，利用Region ProPosal Network（RPN）（不再使用SS）对feature map产生候选框，然后把候选框在feature map的区域经过RoI poolin*生一个尺度固定的特征向量，接着进入全连接层做分类以及边框回归。速度接近实际需求。
5）FPN：FPN（feature pyramid netword）首先对正向传播的feature map下采样得到特征金字塔，然后自顶向下对高层特征进行上采样和对底层特征求和，每层得到特征对其对进行卷积和分类。它使用了更大的feature map（top-down），使得小目标的检测更加有效。
6）R-FCN：输入的图像首先通过ResNet得到feature maps，使其通过RPN得到RoI proposals，最后的输出通过卷积层并输入到分类器和回归器。R-FCN速度比前面模型更快。
7）Mask R-CNN：类似于Faster R-CNN，它不再使用RoIPooL layer而是RoIAlignlayer。论文作者选用ResNeXt和FPN作为backbone。
8）DetectoRS：宏观层面采用FPN生成的Recursive Feature Pyramid（RFP），微观层面采用Switchable Atrous Convolution (SAC)统一卷积的尺寸。
3、单阶段检测器
1）YOLO：诞生于2016年。输入的图片分成S*S的网格细胞，然后对物体中心所在细胞进行回归检测。速度快，但物体密集或目标小时效果较差。
2）SSD：结构由VGG16和多尺度特征检测网络构成，速度和准确率都好，能够检测较小的物体。
3）YOLOv2和YOLO9000：使用DarkNet19作为主干结构，加入了其他优秀的技术：Batch Normalization加快收敛，分类训练和检测系统增加检测层级，移除全连接层增加速度，使用学习过的锚框提高召回率。YOLO9000能够识别9000个种类。YOLOv2效果更好，并且参数更少。
4）RetinaNet：RetinaNet使用FPN作为backbone，FPN的每一层经过两层子网——分类子网通过物体的位置预测分数，box regression subnet回归偏移量，能够检测不同尺寸的物体大小。两个子网都是小的FCN，并且共享参数。RetinaNet综合表现比较好。
5）YOLOv3：使用DarkNet53作为主干结构提取特征图，借鉴FPN的思想，在高、中、低三个层次上分别预测目标框，更好的检测小尺寸物体。并用加入了data augmentation, multi-scale training, batch normalization等技术，把Softmax分类器换成了逻辑分类器。但是它没有突破性改变，甚至精确率更低。
6）CenterNet：CenterNet把识别物体边界框的中心点而不是整个物体。输入的图像通过FCN生成热力图，热力图的顶峰部位对应着整个检测物体。它使用在ImageNet上预先训练的Hourglass-101作为特征提取器，并且有3个头部——heatmap head决定物体中心，dimension head评估物体的大小，offset head纠正物体点的差额。它精确度高，耗时少，但是需要不同的backbone，并且和其他检测器一起工作时效果不好。
7）EfficientDet：使用EfficientNet作为主干，多层BIFPN（bi-direction FPN）提取特征， 它是根据NAS-FPN改进的，他消除了无效节点，增强高层特征，并且使用SGD优化器和swish激活函数。EfficientDet综合表现很好。
8）YOLOv4：融合了平滑层级标签、CIoC-loss、CmBN、余弦退火调度等多种技术。这些技术会增加训练时间不影响推断时间。YOLOv4使用预先训练的CSPNetDarknet-53作为主干，SPP和PAN作为neck，YOLOv3作为推断头部。YOLOv4训练算力要求不高，是最好的实时检测器。
9）Swin Transformer：Transformer在NLP领域效果很好，近来年也用在了CV领域。Swin Transformer用transformer作为主干，把图像分割为多块，去取重叠部分。图像块经过4个阶段，每个阶段减少块并且维持每层结构。transformer效果比较好，但是参数相对多。
4、轻量化网络
以上方法有令人满意的结果，但是算力要求高不适用于边缘设备，为此通过轻量化模型可以解决这个问题。
1）SqueezeNet：通过更小的过滤器、减小输入通道来减少参数和保持精度，在网络后部放置降采样层提高精度。SqueezeNet由8层fire module构成，每层由挤压层和扩张层构成，都使用的ReLU激活函数。SqueezeNet的模型大小是AlexNet的1/510。
2）MobileNet：由28层分离卷积层构成，每层有批量归一化和ReLU激活函数。此外作者还引入两种模型减少超参数：宽度倍增器减小输入输出通道统一网络，分辨率倍增器改变图像的大小。MobileNet在一些领域效果好，但是它太简单，梯度流的方法少。
3）ShuffleNet：由一个卷积层和多个ShuffleNet构成。ShuffleNet单元结构与ResNet相似，深层卷积由3*3层构成。可由组数和规模参数管理计算量。
4）MobileNetv2：提出了一种新的层模块——具有线性瓶颈的反向残差，能够减少计算和提高精度。它能把低位输入转成高维，用深度卷积过滤，最后投影为低维。MobileNetv2包含一个卷积层，随后是19个剩余瓶颈模块，随后是两个卷积层，用ReLU6作为非线性激活层来限制计算量。
5）PeleeNet：以DenseNet为基础，并且加入了双路密集层，stem block，动态数量通道等模块。避免使用压缩因素而造成精度损失。PeLeeNet由一个stem block，四个阶段的改性致密层和过渡层，最后是分类层构成。PeleeNet表现较好，但是慢。
6）ShuffleNetv2：它有4个准则：1、输入输出通道相同以减小内存消耗；2、基于目标精心挑选卷积组；3、多路结果达到高的精确度；4、按元素的操作不能忽略。它通过信道分离层将输入分为两部分，然后是三个卷积层，然后与剩余连接连接并通过信道混洗层。
7）MnasNet：他们将搜索问题表述为以高精度和低延迟为目标的多目标优化。它通过将CNN划分为独特的块，然后分别搜索这些块中的操作和连接，从而缩小搜索空间，从而将搜索空间因子化。这也使得每个块都有独特的设计。
8）MobileNet3：以MnasNet为基准，在因子化的分层搜索空间中执行平台感知的自动神经架构搜索，并因此由NetAdapt进行优化，这在多次迭代中去除了网络中未充分利用的组件。
9）Once-For-All（OFA）：首先，训练最大的网络，将所有参数设置为最大值。随后，通过逐渐减小内核大小、深度和宽度等参数维度，对网络进行微调。为了改变深度，使用前几层，其余的从大型网络中跳过。OFA表现好，且计算量小。
六、比较结果
七、未来趋势
目标识别在过去几十年取得了极大的进展，某些领域已达到人类水平。但是仍有有一些问题需要解决：
1）AutoML：用自动神经结构搜索来设计检测器。
2）轻量化检测器：目前的轻量化检测器精度不高，需要小型的，有效的，精确的模型。
3）弱监督：目前的先进模型资源消耗大，需要检测消耗。
4）领域转移：鼓励训练的模型再利用。
5）3D物体检测：在自动驾驶领域很重要，低于人类的标准都不安全。
6）视频中物体检测：物体检测器被设计时缺乏对相邻图像关系的考虑，在视频中物体检测有很大的用处。
八、总结
过去几十年物体检测走过了很长一段路，但是目前最好的检测器仍不是最理想的，并且轻量化模型的应用需求是指数级的。两阶段检测器越来越准确，但是慢，不能用于实时的需求。单阶段检测器改变了这一现象，使目物体检测能够运用在自动驾驶上。目前Swin Transformer是最准确的检测器，我们仍需要更准确更快的检测器。
参考资料：
如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法
深度学习中的FPN详解
YOLO家族进化史（v1-v7）