在目標檢測的研究過程中，深度學習一直占居着主要的位置。通過搭建不同的網絡模型，對當前兩大主流開源數據集PASCALVOC和IMAGENET進行測試並評估，已然成了一種新風向。
作為計算機視覺三大頂會：CVPR，ICCV，ECCV，每年都會有該方向的最新成果。
接下來匯總一下，以便需要時查看：
2014 ----------------------------------------------------------------- RCNN 58.5 CVPR(2014) SPPNET 59.2 ECCV(2014) -----------------------------------------------------------------
2015 ----------------------------------------------------------------- Fast-RCNN 70 ICCV(2015) Faster-RCNN 73.2 NIPS(2015) ----------------------------------------------------------------- 2016 ----------------------------------------------------------------- YOLOv1 66.4 CVPR(2016) ：使用單個前饋卷積網絡直接預測對象類和位置。 ION / HyperNet / OHEM SSD 76.8 ECCV(2016) ：在多個ConvNet層擴展了不同尺度的anchors，強制每個層專注於預測確定尺寸對象。 RFCN 79.5 NIPS(2016) -----------------------------------------------------------------
2017 ----------------------------------------------------------------- DSSD 81.5 Arxiv(2017) ：在SSD基礎上引入額外的上下文，通過反卷積來提高准確性。 FPN / TDM YOLOv2 78.6 CVPR(2017) ：添加所有卷積層上的批量標准化，使用主分辨率分類器，使用帶anchor boxes的卷積層替代全連接層來預測bboxes。 RoN（Reverse connection with Objectness prior Networks for object detection）
DES(Detection with Enriched Semantics)
基於SSD，解決小目標檢測效果不好，基於VGG16設計的DES算法，在VOC2007測試集上實現了81.7mAP的准確率，
在COCO的測試-驗證集上實現了32.8mAP的准確率，並且每張圖片只花費31.5ms。
參考鏈接：
https://blog.csdn.net/woduitaodong2698/article/details/85327403
/ DCN / DeNet / CoupleNet /
RetinaNet ：重塑標准交叉熵損失，聚焦訓練在一組稀疏的hard examples，降低分配給分類良好的例子的損失權重。解決類別不平穩性
MaskRCNN
DSOD ：設計了一個框架和一套原則來從頭開始學習目標檢測器
SqueezeNet： ICLR（2017）：輕量化模型之SqueezeNet
----------------------------------------------------------------- 2018 ----------------------------------------------------------------- YOLOv3 Arxiv(2018) ： 目標檢測之車輛行人（darknet版yolov3）
RefineDet 83.8 CVPR(2018) ：目標檢測之RefineDet
-----------------------------------------------------------------
另外，還有一些先進的模型，如：
MFFD（模塊化特征整合檢測器）：https://www.auto-testing.net/news/show-103137.html