目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代目标检测器的框架可分为two-stage和one-stage两种类型，two-stage框架分为两步，精度高，但速度较慢，不能到、达到实时检测：
1) 区分前景物体框与背景并为它们分配适当的类别标签；
2) 回归一组系数使得最大化检测框和目标框之间的交并比或其它指标，最后，使用非极大值抑制算法移除冗余的边界框(对同一目标的重复检测)。
one-stage为一步，在回归和目标分类同时进行，一次给出目标的回归框和类别，速度快能够达到实时，但精度低于two-stage的框架。
基于深度学习的目标检测主要的算法模型如图1所示：
图1 图像目标检测网络模型
R-CNN遵循传统目标检测的思路，同样采用提取框，对每个框提取特征、图像分类、非极大值抑制四个步骤进行目标检测，但是做了部分改进，一是经典目标检测算法使用滑动窗法依次判别所有可能的区域，而R-CNN预先提取一系列较可能是物体的候选区域，之后在这些候选区域上提取特征，进行判断，大大减少了计算量。二是将传统的特征(如SIFT，HOG特征等)换成了深度卷积网络提特征。相比传统目标检测方法，R-CNN在目标检测精度上有了较大提升，在VOC2007数据集上传统的目标检测方法最高map为40%左右，而R-CNN的map达到了58.5%。但R-CNN计算量很大，占用磁盘空间也大。为了解决CNN网络需要固定尺寸的图像输入问题，何恺明等提出了SPP-Net, SPP-Net只对图像进行一次卷积，之后使用SPP-Net在特征图上提取特征。其在VOC 2007数据集上，在达到相同或更好的性能情况下，比R-CNN方法快24-102倍。受SPP-Net启发，Ross Girshick在2015年推出了Fast R-CNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在保证效果的同时提高了效率，基于VGG 16的Fast R-CNN模型在训练速度上比R-CNN快约9倍，比SPP-Net快约3倍，测试速度比R-CNN快约80倍，比SPP-Net快约4倍，在VOC 2007上的map约在66%-67%之间。为了解决Fast R-CNN选择性搜索的耗时问题，Shaoqing Ren等提出了Faster R-CNN网络，在Fast R-CNN中引入Region Proposal Network替代Selective Search，同时一如anchor box机制，将特征提取、proposal提取、Bounding Box Regression、分类整合到一个网络中，较大的提升了目标检测的速度，相比Fast R-CNN在相同精度下，检测速度提升了10倍。虽然Faster R-CNN在检测速度上有了较大提升，但1s只能处理5帧图像，速度上并不能满足实时的要求，Joseph Redmon等提出了Yolov1模型，其是一个one-stage的目标检测框架，基于回归的思想，利用整张图作为网络的输入，直接在图像的多个位置上回归出目标边框以及目标所属类别。大大提高了检测速度，使得Yolov1每秒可以处理45张图像，map为63.4低于Faster R-CNN。由于缺少了Region Proposal机制，只使用7*7的网格回归会使得目标不能非常精准的定位，导致Yolov1的检测精度并不是很高，为了解决这个问题，WeiLiu等提出了SSD目标检测框架，采用Yolov1的方法获取目标的位置和类别，相比Yolov1预测某个位置使用的全图特征，SSD预测某个位置使用的是这个位置周围的特征，即使用Faster R-CNN的anchor box机制，不同于Faster R-CNN，SSD的anchor是在多个feature map上的，这样既可以利用多层的特征而且还具有多尺度的效果。SSD 在VOC 2007上的map达到了72.1%，在GPU上速度达到了58帧每秒。为了解决Yolov1在目标定位及召回率低低的问题，Joseph Redmon等对Yolov1网络结构做了调整，提出了Yolov2，相比Yolov1框架，Yolov2将输入图像大小448*448调整到416*416，卷积层调整为19层，网格划分从7*7调整为13*13，加入Batch Norm层，引入anchor机制。Yolov2在VOC 2007上的map达到了76.8%，检测速度达到了67帧每秒。以上目标检测算法都只是采用顶层特征做预测，在检测小目标物体时候效果不是很好，于是，Tsung-Yi Lin 等提出了FPN网络，即顶层特征通过上采样和底层特征融合，每层独立预测。在检测小目标物体上的精度相比Faster R-CNN，有了一定的提升。在2018年Joseph Redmon等对Yolov2做了进一步改进，提出了Yolov3，在小目标物体检测上有了较大提升，相比Yolov2的19层卷积，Yolov3的backbone卷积层加深到了53层，借鉴了深度残差网络以及FPN网络，在牺牲一定的速度的基础上，在小目标物体上的检测精度有了较大提高。在coco test-dev上mAP@0.5达到了55.3%，检测速度达到了34帧每秒。
