引言

目标检测作为计算机视觉的核心任务，旨在同时完成图像中物体的定位与分类。从2014年R-CNN的提出到2020年DETR的横空出世，六年时间见证了目标检测技术从”手工设计”到”端到端学习”的范式转变。本文将系统梳理六大经典模型的技术脉络，揭示其设计思想与性能突破的内在逻辑。

一、R-CNN系列：区域建议的革命

1.1 R-CNN（Regions with CNN features）

作为区域卷积神经网络的开山之作，R-CNN的核心思想是将目标检测分解为”区域建议+特征提取+分类”三阶段：

• 区域建议：采用选择性搜索（Selective Search）生成约2000个候选区域
• 特征提取：对每个候选区域缩放至227×227后输入AlexNet提取4096维特征
• 分类：使用SVM进行二分类判断，并采用非极大值抑制（NMS）处理重叠框

技术突破：首次将CNN特征引入目标检测，在PASCAL VOC 2012上将mAP从34.3%提升至53.7%。但存在明显缺陷：训练步骤繁琐（需分别训练CNN、SVM和回归器），检测速度慢（单张图像需47秒）。

1.2 Fast R-CNN：速度的质变

针对R-CNN的效率问题，Fast R-CNN做出关键改进：

• ROI Pooling层：将不同尺寸的候选区域映射为固定尺寸特征，避免重复计算
• 多任务损失：联合训练分类和边界框回归，简化训练流程
• SVD分解：对全连接层进行降维，减少参数量

性能提升：训练时间缩短9倍，检测速度提升至0.32秒/张，mAP达70.0%。但区域建议仍依赖选择性搜索，成为速度瓶颈。

1.3 Faster R-CNN：端到端的实现

Faster R-CNN的创新在于引入区域建议网络（RPN），实现真正的端到端训练：

• RPN结构：共享卷积特征，通过滑动窗口生成锚框（anchors）
• 锚框机制：在每个位置预设9种尺度/长宽比的锚框，覆盖空间和尺度变化
• 交替训练：采用4步迭代训练法，优化RPN和检测网络

技术意义：检测速度达5fps（VGG16），在COCO数据集上mAP达42.7%。其设计的锚框机制和共享特征思想深刻影响了后续模型。

二、YOLO系列：实时检测的突破

2.1 YOLOv1：统一架构的提出

YOLO（You Only Look Once）将目标检测视为回归问题，其核心设计包括：

• 网格划分：将输入图像划分为S×S网格，每个网格负责预测B个边界框和C个类别
• 单阶段检测：直接预测边界框坐标（x,y,w,h）和类别概率，无需区域建议
• 损失函数：采用均方误差计算坐标损失，交叉熵计算类别损失

优势与局限：检测速度达45fps（Titan X），但小目标检测和定位精度不足，在VOC 2007上mAP为63.4%。

2.2 YOLOv2/YOLO9000：改进与扩展

YOLOv2通过以下改进提升性能：

• Darknet-19：引入批归一化（BN）和全局平均池化
• 锚框优化：采用k-means聚类确定锚框尺寸，提升召回率
• 多尺度训练：随机调整输入尺寸（32的倍数），增强模型鲁棒性

YOLO9000更创新性地实现联合训练，通过WordTree结构同时检测9000个类别。

2.3 YOLOv3/YOLOv4：精度与速度的平衡

YOLOv3采用多尺度预测（3个尺度），使用残差连接和FPN结构提升小目标检测能力。YOLOv4则集成CSPDarknet53、SPP、PAN等模块，在Tesla V100上达到65.7 FPS和43.5% AP（COCO）。

三、SSD：多尺度检测的典范

SSD（Single Shot MultiBox Detector）的核心思想在于：

• 多尺度特征图：在Conv4_3、FC7、Conv6_2等6个不同尺度特征图上检测
• 默认框设计：每个特征图单元预设多种比例的默认框（类似锚框）
• 损失函数：结合定位损失（Smooth L1）和置信度损失（Softmax）

技术优势：在VGG16基础上添加辅助卷积层，检测速度达59fps（Titan X），mAP达74.3%（VOC 2007），特别适合中大目标检测。

四、DETR：Transformer的革命

DETR（Detection Transformer）彻底颠覆传统检测范式：

• 集合预测：将目标检测视为集合预测问题，直接输出N个预测结果
• Transformer架构：使用编码器-解码器结构处理全局关系
• 匈牙利算法：采用二分匹配计算预测与真实框的损失

技术突破：首次将Transformer成功应用于目标检测，在COCO上达到44.9% AP，特别在复杂场景和重叠目标检测中表现优异。其设计的并行解码和全局注意力机制，为后续研究开辟新方向。

五、模型对比与选型建议

模型	类型	速度(FPS)	精度(AP)	适用场景
Faster R-CNN	两阶段	5	42.7	高精度需求，如医疗影像
YOLOv5	单阶段	140	44.8	实时检测，如自动驾驶
SSD	单阶段	59	46.5	平衡速度与精度
DETR	Transformer	10	49.0	复杂场景，如人群计数

选型建议：

1. 实时应用优先选择YOLO系列（v5/v7/v8）
2. 高精度需求考虑Faster R-CNN或Cascade R-CNN
3. 研究前沿可探索DETR及其变体（如Deformable DETR）
4. 嵌入式设备建议使用MobileNet-SSD或Tiny-YOLO

六、未来展望

当前目标检测呈现三大趋势：

1. 轻量化设计：如NanoDet、YOLO-Nano等模型针对移动端优化
2. 视频检测：结合光流法的Flow-Guided Feature Aggregation
3. 3D检测：基于点云的PointRCNN、VoxelNet等模型

随着Transformer架构的深入应用，如何平衡计算复杂度与检测精度将成为关键。研究者可关注以下方向：

• 动态锚框机制
• 无监督预训练方法
• 多模态融合检测

结论

从R-CNN到DETR的演进，本质上是”手工设计”向”自动学习”、”局部特征”向”全局关系”、”多阶段”向”端到端”的转变。理解这些经典模型的设计思想，不仅有助于掌握目标检测的核心技术，更能为解决实际问题提供方法论指导。在实际应用中，需根据具体场景（精度要求、实时性、硬件条件）选择合适模型，并持续关注新架构带来的性能提升。