深度学习目标检测综述：从Fast R-CNN到NAS-FPN的进展与COCO mAP比较

本文档"A Survey of Deep Learning-based Object Detection"是一篇深入探讨深度学习在目标检测领域的综述性论文。作者列举了Licheng Jiao、Fang Liu等多位IEEE高级成员，共同阐述了目标检测作为计算机视觉的重要分支，其在监控安全、自动驾驶等领域广泛应用，目的是定位特定类别的实例对象。 文章首先强调了随着深度学习网络在检测任务中的快速发展，目标检测器的性能得到了显著提升。为了全面理解现有的目标检测技术发展概况，作者系统地分析了典型检测模型的方法，并介绍了基准数据集，如COCO数据集，其在评估模型性能时常用，报告了各类模型在COCO数据集上的平均精度(mAP)。 接下来，该研究主要分为两部分。第一部分是对一阶段和两阶段检测器的详尽剖析。一阶段检测器（如YOLO系列）直接对整张图像进行预测，而两阶段检测器（如Fast R-CNN）则采用区域提议(RPN)和后续分类及边界框调整的步骤。每种方法都有其独特的优点和适用场景，比如YOLO因其速度较快而常用于实时应用，而Fast R-CNN在精确度上通常表现更好。 除了经典的检测方法，论文还涵盖了传统与新兴的应用领域，探讨了目标检测在视频分析、医学图像处理、无人机监测等多元场景中的应用。此外，文中还提到了近年来通过神经架构搜索(NAS)技术如NAS-FPN等创新方法，这些方法旨在优化模型结构，以进一步提升检测性能和效率。 这篇30页的综述不仅回顾了目标检测的历史发展，还展示了当前的主流技术以及它们在实际应用中的表现。对于任何关注深度学习目标检测的从业者或研究人员来说，这是一份不可多得的参考文献，可以帮助他们了解最新的进展和技术趋势。