Object Detection

• summary
• RCNN
• Fast R-CNN
• Faster R-CNN
• Mask R-CNN
• FCN
• R-FCN
• FPN
• FCOS
• SSD
• Mobilenet-SSDv2
• VarifocalNet
• OneNet
• Mask R-CNN
• Cascade-RCNN
• RetinaNet
• FemtoDet
  • 回答问题
• SparseInst
• YOLOv1
• YOLOv2
• YOLOv3
• YOLOv4
• Scaled-YOLOv4
• Edge-YOLO
• MS-DAYOLO
• ASFF
• ATSS
• SABL
• SM-NAS
• TSD
  • 论文阅读笔记
  • 回答问题
• RDSNet
• CenterMask
• EfficientDet
• Simple Multi-dataset Detection
• YOLOX
• YOLOv6
• PP-YOLOv1
• PP-YOLOv2
• PP-YOLOE
• YOLOF
• YOLOP
• YOLOR
• YOLOS
• YOLOv7
• DY-yolov7
• Gold-YOLO
• YOLOv6
• DAMO-YOLO
• ViT-YOLO
• YOLO-MS
• DETR
  • 回答问题
• RT-DETR
• YOLOv9
• YOLOOC
• FemtoDet
  • 回答问题
• MS-DAYOLO
• OneNet
• Sparse R-CNN
• SparseInst
• OWL-ViT
• OWLv2
• RTMDet
• YOLO-World
  • 结论
• YOLOOC
• MDETR
• YOLOv10
• 目标检测二十年：一项综述
  • 摘要
• 1 引言
• 2 目标检测二十年
  • 2.1 目标检测的路线图
  • 2.2 目标检测数据集和评价指标
  • 2.3 目标检测中的技术演变
  • 3 加速检测
  • 3.1 特征图共享计算
  • 3.2 加速分类器
  • 3.3 级联检测
  • 3.4 网络剪枝和量化
  • 3.5 轻量级网络设计
  • 3.6 数值加速
• 4 最近目标检测的进展
  • 4.1 使用更好的引擎进行检测
  • 4.2 使用更好的特征进行检测
  • 4.3 非滑动窗口检测
  • 4.4 提高定位的改进
  • 4.5 与分割结合的学习
  • 4.6 旋转和平移变化的鲁棒检测
  • 4.7 从头开始训练
  • 4.8 对抗性训练
  • 4.9 弱监督目标检测
• 5 应用
  • 5.1 行人检测
  • 5.2 面部检测
  • 5.3 文本检测
  • 5.4 交通标志和交通信号检测
  • 5.5 遥感目标检测
• 6 结论和未来方向
• YOLO的全面综述：从YOLOv1到YOLOv8及未来
• 摘要
• 1 引言
• 2 YOLO在不同领域的应用
• 3 目标检测指标和非最大值抑制（NMS）
  • 3.1 AP如何工作？
  • 3.2 计算AP
  • 3.3 非最大值抑制（NMS）
• 4 YOLO：只看一次
  • 4.1 YOLOv1如何工作？
  • 4.2 YOLOv1 架构
  • 4.3 YOLOv1 训练
  • 4.4 YOLOv1 的优势和局限性
• 5 YOLOv2：更好、更快、更强
  • 5.1 YOLOv2 架构
  • 5.2 YOLO9000 是一个更强大的 YOLOv2
• 6 YOLOv3
  • 6.1 YOLOv3 架构
  • 6.2 YOLOv3 多尺度预测
  • 6.3 YOLOv3 结果
• 7 骨干、颈部和头部
• 8 YOLOv4
  • 8.1 YOLOv4 结果
  • 9 YOLOv5
  • 9.1 YOLOv5 结果
• 10 Scaled-YOLOv4
• 11 YOLOR
• 12 YOLOX
• 13 YOLOv6
• 13.1 YOLOv6 结果
• 14 YOLOv7
  • 14.1 与 YOLOv4 和 YOLOR 的比较
  • 14.2 YOLOv7 结果
• 15 DAMO-YOLO
• 16 YOLOv8
  • 16.1 YOLOv8 结果
  • 17 PP-YOLO, PP-YOLOv2, 和 PP-YOLOE
  • 17.1 PP-YOLO 增强和预处理
  • 17.2 PP-YOLO 结果
  • 17.3 PP-YOLOv2
  • 17.4 PP-YOLOE
• 18 讨论
• 19 YOLO 的未来
• 20.1 速度和准确性之间的权衡