滑动窗口时代：手工特征与暴力搜索的双重困境

2000年代初的目标检测以VJ检测器（Viola-Jones）为代表，其核心逻辑是通过滑动窗口遍历图像，在每个位置提取HOG（方向梯度直方图）或LBP（局部二值模式）特征，结合SVM分类器判断是否存在目标。这种方法的局限性显著：

• 计算冗余度高：在1024×768分辨率图像上，若以32×32窗口、16像素步长滑动，需生成14,400个候选区域，每个区域需计算数百维特征向量。
• 特征表达能力弱：手工设计的特征难以捕捉复杂场景下的目标形变（如旋转、遮挡），导致检测召回率不足。
• 多尺度处理低效：需构建图像金字塔，对每层图像重复滑动窗口操作，进一步加剧计算负担。

典型案例：行人检测任务中，VJ检测器在MIT数据集上仅能达到40%左右的mAP（平均精度均值），且在光照变化或密集场景下性能急剧下降。

R-CNN系列：深度学习引入的范式革命

2012年AlexNet在ImageNet竞赛的胜利，推动目标检测进入深度学习时代。R-CNN（Region-CNN）首次将卷积神经网络（CNN）用于候选区域特征提取，其流程可分为三步：

1. 选择性搜索生成候选框：通过颜色、纹理等相似性度量合并超像素，生成约2000个候选区域。
2. CNN特征提取：对每个候选区域缩放至224×224后输入AlexNet，提取4096维特征向量。
3. SVM分类与边界框回归：基于特征向量训练分类器，并微调候选框位置。

尽管R-CNN在PASCAL VOC 2012上将mAP提升至53.3%，但存在两大瓶颈：

• 重复计算：2000个候选区域需分别通过CNN，导致单张图像处理时间超过50秒（Titan GPU）。
• 存储开销：中间特征图占用显存超过10GB，难以部署到边缘设备。

Fast R-CNN与Faster R-CNN通过引入ROI Pooling和区域建议网络（RPN），将计算共享至全图级别，使检测速度提升至0.2秒/帧，同时mAP提高至76.4%。但RPN仍依赖锚框（anchor）设计，需预设多种尺度与长宽比，限制了对极端比例目标的检测能力。

YOLO系列：单阶段检测的效率突破

2016年YOLO（You Only Look Once）的提出，标志着目标检测从“区域建议+分类”的两阶段范式转向端到端单阶段检测。其核心创新在于：

• 全局回归设计：将图像划分为S×S网格，每个网格直接预测B个边界框及类别概率，实现单次前向传播输出检测结果。
• 速度与精度的平衡：YOLOv1在Titan X上达到45FPS，比Faster R-CNN快10倍，同时mAP保持63.4%。
• 上下文信息利用：通过全图特征预测，对背景误检率较两阶段方法降低30%。

后续版本通过多尺度特征融合（FPN）、路径聚合网络（PAN）等改进，逐步缩小与两阶段方法的精度差距。例如YOLOv5在COCO数据集上达到56.0% AP，推理速度达140FPS（NVIDIA A100），成为工业界实时检测的首选方案。

开发者实践建议：对于资源受限场景（如移动端），优先选择YOLOv5s等轻量级模型；若需高精度，可结合AutoML进行通道剪枝与量化。代码示例（PyTorch实现YOLOv5检测）：

import torch
from models.experimental import attempt_load
# 加载预训练模型
model = attempt_load('yolov5s.pt', map_location='cuda')
model.eval()
# 推理函数
def detect(img_path):
    img = torch.zeros((1, 3, 640, 640))  # 模拟输入
    pred = model(img)[0]
    # 解析pred获取边界框与类别
    return pred

Transformer架构：自注意力机制的重构

2020年DETR（Detection Transformer）首次将Transformer引入目标检测，其颠覆性在于：

• 无锚框设计：通过集合预测（set prediction）直接输出N个检测结果，避免NMS（非极大值抑制）后处理。
• 全局关系建模：自注意力机制捕捉目标间长距离依赖，对密集场景（如人群计数）性能提升显著。
• 二分图匹配损失：使用匈牙利算法优化预测框与真实框的匹配，解决类别不平衡问题。

DETR在COCO上达到44.9% AP，但需1000个epoch训练才能收敛。后续工作如Deformable DETR通过稀疏注意力机制，将训练时间缩短至36 epoch，同时AP提升至49.0%。

2021年Swin Transformer提出的层次化窗口注意力，进一步解决了Transformer对局部信息的捕捉问题。其核心代码片段如下：

class WindowAttention(nn.Module):
    def __init__(self, dim, num_heads):
        self.qkv = nn.Linear(dim, dim * 3)
        self.proj = nn.Linear(dim, dim)
    def forward(self, x, mask=None):
        B, N, C = x.shape
        qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C//self.num_heads).permute(2, 0, 3, 1, 4)
        q, k, v = qkv[0], qkv[1], qkv[2]
        attn = (q @ k.transpose(-2, -1)) * (1.0 / math.sqrt(k.shape[-1]))
        if mask is not None:
            attn = attn.masked_fill(mask == 0, float("-inf"))
        attn = attn.softmax(dim=-1)
        x = (attn @ v).transpose(1, 2).reshape(B, N, C)
        return self.proj(x)

技术演进规律与未来方向

纵观目标检测二十年发展，技术革新呈现三大趋势：

1. 计算效率提升：从滑动窗口的O(n²)复杂度，到YOLO的O(1)单次前向，再到Transformer的稀疏注意力优化。
2. 特征表示强化：从手工特征到CNN的层次化特征，再到Transformer的全局关系建模。
3. 任务解耦与端到端：从分类与定位分离，到集合预测的联合优化。

未来研究可能聚焦于：

• 轻量化Transformer：开发适用于移动端的低计算量注意力机制。
• 多模态融合：结合激光雷达点云与视觉特征，提升自动驾驶场景下的检测鲁棒性。
• 自监督预训练：利用大规模无标注数据学习通用视觉表征，减少对标注数据的依赖。

开发者应持续关注模型压缩技术（如知识蒸馏、量化感知训练），并积极参与开源社区（如MMDetection、YOLOv7）的算法复现与优化，以快速响应业务场景中的检测需求变化。