《表2 调查对象基本情况：深度学习的典型目标检测算法综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习的典型目标检测算法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在应用方面的区别对比：a）对于检测小目标方面，由于神经网络对目标的外观变化很敏感，所以在检测小目标方面大多数网络做的效果都不是很好，SSD系列中的R-SSD[69]增加不同特征层间的联系来缓解小目标检测效果不佳的问题，以及RefineDet、M2Det网络利用多尺度金字塔检测小目标，但总体来讲，小目标检测依然效果不好；b）对于稠密目标的检测，由于图像中的多目标原因，使得稠密目标的检测变得困难，基本上利用多尺度的anchor框思路或是尺度金字塔思路的检测，在稠密目标的检测上性能会好一些，如SSD、YOLOv3、RefineDet、M2Det等网络；c）在网络轻量级方面，网络架构简单、计算量少的算法在迁移到移动端都是有优势的，如YOLO、SSD系列等算法。表1展示出各典型检测算法的优缺点对比。各数据集在训练时采用的硬件设施不同，选用的网络框架不同，因此很难进行相同条件下的比较。本文仅采用相同的数据集来比较各算法精度，数据集采用：a) PASCAL VOC2007 trainval+PASCAL VOC2012 trainval，用“07+12”表示；b) PASCAL VOC2007trainval&test+PASCAL VOC2012 trainval．，用“07++12”表示；c)COCO test-dev。表2给出各典型算法性能比较。