跨多领域的实时目标检测网络综合研究：一项综述

基于深度神经网络的目标检测器不断演进，并用于众多应用，每个应用都有其自身的一组需求。虽然安全关键应用需要高精度和可靠性，低延迟任务需要资源和能量高效的网络。实时检测器作为高影响现实世界应用中的必需品被不断提出，但它们过度强调准确率和速度的改进，而忽略了多功能性、鲁棒性、资源和能量效率等其他能力。现有网络缺乏参考基准，设计新网络也缺乏标准评估指南，导致模糊和不一致的比较。因此，我们对多种实时检测器（基于锚点、关键点和 transformer 的）在广泛数据集上进行了综合研究，并报告了关于一组广泛指标的结果。我们还研究了图像尺寸、锚点维度、置信度阈值和架构层数等变量对整体性能的影响。我们分析了检测网络对分布偏移、自然损坏和对抗攻击的鲁棒性。此外，我们提供了校准分析以衡量预测的可靠性。最后，为突出现实世界影响，我们进行了两项独特的案例研究，涉及自动驾驶和医疗健康应用。为进一步衡量网络在关键实时应用中的能力，我们报告了将检测网络部署在边缘设备后的性能。我们广泛的实证研究可作为工业界在现有网络上做出明智选择的指南。我们也希望启发研究界朝向设计与评估网络的新方向，聚焦于更宏大和整体的概览以实现深远影响。