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yolo和ssd一體化的方法。

這是在ms-coo資料集上的測試效果，從效果可以看出，retina-net在map效果是最好的。其中faster-rcnn改用resnet作為特徵抽取網路準確率有較大的提公升。

最後是google做的乙個research，在tensorflow上統一的實現了所有的檢測演算法，yolo沒有包含在內。最終的測試結果可以表示為：

從上面可以大致的看出，faster-rcnn的準確度更加精確，而rfcn和ssd更快。

上述只是乙個預覽，但是除了這些之外，我們還需要考慮一些更加細化的因素。

特徵抽取網路不通，最終的結果也不同。簡單來說，乙個更加複雜的特徵抽取網路可以大大的提高faster-rcnn和rfcn的精確度，但是對於ssd，更好的特徵抽取網路對結果影響不大，所以你看ssd+mobilenet也不會太大的影響結果。從這個圖可以看得很清楚：

對於大物體，ssd即使使用乙個較弱的特徵抽取器也可以獲取較好的精確度。但在小物體上ssd的表現結果非常不好。

不同的proposal數目會影響檢測器的速度和精度。這個很重要，很多人想加速faaster-rcnn但是不知道從何下手，顯然這裡是乙個很好的切入點。將proposal的數目從300削減到50，速度可以提高3倍，但是精度僅僅降低4%，可以說非常值了。我們從這張圖可以看得很清楚：

最終我們可以得到乙個很科學的結果：

最高精度

使用faster-rcnn毫無疑問，使用inception resnet作為特徵抽取網路，但是速度是一張1s；還有一種方法是一種叫做整合的動態選擇模型的方法（這個你就不要追求速度了）；

最快ssd+mobilenet是速度最快的，但是小目標檢測效果差；

平衡如果既要保證精度又要保持速度，採用faster-rcnn將proposla的數目減少到50，同時還能夠達到rfcn和ssd的速度，但map更優。