前言

为了方便大家阅读，我已经将其中的目标检测（Object Detection）论文整理出来。

本文分享的目标检测论文将同步推送到 github上，欢迎大家 star/fork（点击阅读原文，也可直接访问）：

https://github.com/amusi/awesome-object-detection

注意事项：

• 本文分享的目标检测论文既含刷新COCO mAP记录的目标检测论文，也有追求 mAP 和 FPS trade-off的论文

• 论文发布时间段：2019年11月

目标检测论文

【1】SCL: Towards Accurate Domain Adaptive Object Detection via Gradient Detach Based Stacked Complementary Losses

时间：20191108

作者：CMU&印度理工学院

链接：https://arxiv.org/abs/1911.02559

注：SCL域自适应目标检测网络，性能优于MAF(ICCV'19)和Strong-Weak(CVPR'19)

【2】Localization-aware Channel Pruning for Object Detection

时间：20191109

作者：华中科技大学

链接：https://arxiv.org/abs/1911.02237

注：性能优于DCP、ThiNet，可对SSD剪枝70%参数

【3】RoIMix: Proposal-Fusion among Multiple Images for Underwater Object Detection

时间：20191112

作者：北大&鹏城实验室&腾讯

链接：https://arxiv.org/abs/1911.03029

注：水下目标检测，有点东西的

【4】Model Adaption Object Detection System for Robot

时间：20191113

作者：西安交通大学

链接：https://arxiv.org/abs/1911.02718

注：解决机器人靠近物体的移动过程中，对物体保持稳定的检测。检测和速度性能优于YOLOv3！

【5】EdgeNet: Balancing Accuracy and Performance for Edge-based Convolutional Neural Network Object Detectors

时间：20191117

作者：塞浦路斯大学

链接：https://arxiv.org/abs/1911.06091

注：EdgeNet 速度和精度均优于Tiny-YOLO V3和DroNet，功耗仅4W！可在树莓派、CPU上实时运行

【6】Enriched Feature Guided Refinement Network for Object Detection

时间：2019（ICCV 2019）

作者：天津大学&IIAI

http://openaccess.thecvf.com/content_ICCV_2019/papers/Nie_Enriched_Feature_Guided_Refinement_Network_for_Object_Detection_ICCV_2019_paper.pdf

代码：https://github.com/Ranchentx/EFGRNet

注：EFGRNet是基于SSD改进的Single-Stage检测网络，在COCO上可达46ms/39.0mAP(512x512)，现已开源！

【7】EfficientDet: Scalable and Efficient Object Detection

时间：20191122

作者：谷歌大脑(Quoc V. L大佬)

链接：https://arxiv.org/abs/1911.09070

代码：即将开源

注：本文提出BiFPN和EfficientDet，在COCO上高达51.0 mAP！是目前在没有做多尺度测试下最强的目标检测网络！

【8】Learning Spatial Fusion for Single-Shot Object Detection

时间：20191122

作者：北京航空航天大学

链接：https://arxiv.org/abs/1911.09516

代码：https://github.com/ruinmessi/ASFF

注：YOLOv3+ASFF(自适应空间特征融合)组合，性能优于CornerNet和CenterNet等，在COCO上，38.1mAP/60 FPS，43.9mAP/29FPS！

为了方便下载，我已经将上述论文打包，在作者公众号 后台回复：20191123 即可获得打包链接。

往期精彩回顾
那些年做的学术公益-你不是一个人在战斗适合初学者入门人工智能的路线及资料下载机器学习在线手册备注：加入本站微信群或者qq群，请回复“加群”加入知识星球（4500+用户，ID：92416895），请回复“知识星球”