[论文解读] Recent Advances in Deep Learning for Object Detection

Xiongwei Wu, Doyen Sahoo+1 more|arXiv (Cornell University)|Aug 10, 2019

Advanced Neural Network Applications参考文献 226被引用 25

一句话总结

本综述全面概述了深度学习在目标检测中的最新进展，系统分析了检测器组件、学习策略及应用场景。它识别出若干关键趋势，如无锚点检测、AutoML 和少样本学习，并为检测感知主干网络和 LVIS 等新兴基准等未来研究方向提供了洞见。

ABSTRACT

Object detection is a fundamental visual recognition problem in computer vision and has been widely studied in the past decades. Visual object detection aims to find objects of certain target classes with precise localization in a given image and assign each object instance a corresponding class label. Due to the tremendous successes of deep learning based image classification, object detection techniques using deep learning have been actively studied in recent years. In this paper, we give a comprehensive survey of recent advances in visual object detection with deep learning. By reviewing a large body of recent related work in literature, we systematically analyze the existing object detection frameworks and organize the survey into three major parts: (i) detection components, (ii) learning strategies, and (iii) applications & benchmarks. In the survey, we cover a variety of factors affecting the detection performance in detail, such as detector architectures, feature learning, proposal generation, sampling strategies, etc. Finally, we discuss several future directions to facilitate and spur future research for visual object detection with deep learning. Keywords: Object Detection, Deep Learning, Deep Convolutional Neural Networks

研究动机与目标

• 提供基于深度学习的目标检测领域近期进展的系统性与全面性综述。
• 分析检测器架构、特征学习和建议框生成等各类组件对检测性能的影响。
• 识别提升检测准确率的关键学习策略，包括采样技术与损失函数。
• 评估实际应用场景与基准数据集，重点关注少样本检测和大规模分类等新兴挑战。
• 突出未来研究方向，包括检测感知主干网络、AutoML 以及可扩展训练框架。

提出的方法

• 本文对近期文献进行了结构化综述，将目标检测方法划分为三大主要部分：检测组件、学习策略以及带基准的应用。
• 回顾了检测器架构，包括两阶段（如 Faster R-CNN）和单阶段（如 YOLO、SSD）框架，并分析其设计选择。
• 综述了特征学习技术（如 FPN 和 CSPNet）及其在提升多尺度目标检测中的作用。
• 评估了建议框生成机制，包括区域建议网络（RPNs）和无锚点方法（如 CenterNet 和 FCOS）。
• 分析了采样策略与损失函数（如难样本挖掘和焦点损失），以应对类别不平衡问题。
• 讨论了新兴趋势，如用于神经架构搜索和数据增强的 AutoML，并评估其对检测性能的影响。

实验结果

研究问题

• RQ1 过去十年间，基于深度学习的目标检测框架在架构与设计方面如何演变？
• RQ2 哪些关键组件（如特征提取、建议框生成和分类）对检测性能影响最为显著？
• RQ3 不同的学习策略（包括损失函数与采样技术）如何影响模型的泛化能力与准确率？
• RQ4 当前基准（如 MSCOCO）存在哪些局限性？新兴数据集（如 LVIS）如何应对现实世界中的挑战？
• RQ5 哪些未来研究方向（如检测感知主干网络与少样本学习）最有可能推动该领域的发展？

主要发现

• 无锚点检测方法（如 CenterNet 和 FCOS）已成为锚点依赖检测器的有力替代方案，降低了超参数敏感性，并在小目标检测上表现更优。
• AutoML 技术在主干网络与特征金字塔架构设计方面展现出显著改进，如基于 NAS 的 FPN 和数据增强策略，但其应用需消耗大量计算资源。
• LVIS 基准包含超过 1,000 个类别和 220 万个实例掩码，为长尾分布与少样本检测场景提供了更真实且更具挑战性的测试环境。
• 少样本目标检测仍是重大挑战，现有方法（如 MSPLD 和 RepMet）虽具潜力，但仍受限于过拟合与域偏移问题。
• 迁移学习与度量学习方法（如 LSTD 和 RepMet）在少样本泛化方面表现更优，但性能提升受限于数据稀缺与分布偏移。
• 分类与检测目标之间仍存在显著差距，表明检测感知主干网络架构相比从 ImageNet 迁移学习，有望实现显著的性能提升。