去年7月，Amusi 曾做过一篇整理：大盘点 | 性能最强的目标检测算法，那时收集的情况是：改进后的 Cascade R-CNN 算法是截止(2019.07.07)目标检测方向性能最强的算法，其 mAP 为 50.9。
Amusi 发现2020年，对于目标检测涨点的研究相比于2018、2019年少很多了。个人觉得一方面研究遇到一定瓶颈，另一方面，一片红海的目标检测相对发论文的门槛更高了。
2019年anchor-free系列的目标检测论文层出不穷，其中特别要提到：FCOS和CenterNet。但今年还未看到更加亮眼的论文，这可能要等到CVPR 2020和ECCV 2020论文全部出来才能知道。
抛开参数量、FLOPs等，简单粗暴衡量目标检测最重要的两个性能就是 精度和速度，特指 AP 和 FPS。这一点在很多论文中都能看到相关的图示，比如前不久刚出的YOLOv4。
- 追求涨点的论文，主要强调 AP 刷的有多高；
- 追求速度的论文，主要强调 AP 和 FPS 之间 Trade-off 有多好（速度一般>30 FPS）。
时隔9个月，Amusi 再来盘点一下 AP 最高的目标检测算法。根据目前学术论文情况，Amusi 将在COCO数据集上 AP 最高的算法认为是"性能最强"目标检测算法。
- 盘点时间：2020.05.09
- 盘点内容：目标检测 AP 最高的算法
- 不严格区分单尺度/多尺度训练，只看数据
- Amusi整理，仅个人观点，欢迎补充
性能最强的目标检测算法
这里 Amusi 罗列几个AP很强很强的算法，并以时间线的角度来展示（如果论文开源了，我也会注明的）。
注意：各个网络使用不同backbone，或加不同的tricks，都会有不同的 AP。所以Amusi 只介绍所能查到最强的算法或者最强组合算法。
CBNet: A Novel Composite Backbone Network Architecture for Object Detection
AP：53.3
Date：2019.09.09
论文：https://arxiv.org/abs/1909.03625
代码1：https://github.com/PKUbahuangliuhe/CBNet
代码2：https://github.com/VDIGPKU/CBNet
代码3（基于PaddlePaddle）：
https://github.com/PaddlePaddle/PaddleDetection
论文解读：
值得提一下：CBNetv2也快要出来了，性能有多强，敬请期待！
EfficientDet: Scalable and Efficient Object Detection
AP：52.2
Date：2019.11.20
注：已收录于CVPR 2020
论文：https://arxiv.org/abs/1911.09070
代码1（官方，基于TensorFlow）：
https://github.com/google/automl/tree/master/efficientdet
代码2（基于PyTorch）：
https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch
论文解读：
一骑绝尘的EfficientNet和EfficientDet
全网第一SoTA成绩却朴实无华的PyTorch版EfficientDet
SpineNet: Learning Scale-Permuted Backbone for Recognition and Localization
AP：52.1
Date：2019.12.10
注：已收录于CVPR 2020
论文：https://arxiv.org/abs/1912.05027
代码（官方，基于TensorFlow）：
https://github.com/tensorflow/tpu/tree/master/models/official/detection
TSD: Revisiting the Sibling Head in Object Detector
AP：51.2
Date：2020.03.17
注：已收录于CVPR 2020，且是Google OpenImage Challenge 2019 检测赛道的冠军解决方案
论文：https://arxiv.org/abs/2003.07540
代码：暂无
论文解读：51.2 mAP！商汤提出目标检测新网络 TSD | CVPR 2020
综上所述，可知：
- 基于CBNet改进后的 Cascade Mask R-CNN 算法是目前(2020.04.28)目标检测方向性能最强的算法，其 AP 为 53.3（多尺度测试）
- EfficientDet算法是目前(2020.04.28)目标检测方向性能最强的算法，其 AP 为 52.2（单尺度测试）
侃侃
这里将 AP 作为目标检测最强的指标，确实有失偏颇，不够严谨。因为很多人将目标检测应用在不同的任务上，每个任务偏重的性能要求也有所不同，比如模型大小、inference速度、小目标检测等。
Amusi 后续还会统计一波 mAP-FPS Trade-off 最佳算法的大盘点。
福利
为了方便下载，我已将上述所有论文的PDf均已经打包好
链接： https://pan.baidu.com/s/1QW4el7OL2t1UFqAcQmRWXw
提取码：zy1a
