【Detection】

第一阶段：两阶段检测（Two Stage Detection）

两阶段检测的核心是先提取候选区域，再对区域进行分类与定位，精度较高但速度相对较慢。

1. R-CNN（2014）

这是两阶段检测的开篇工作，流程分为三步：

1. 区域候选：用 Selective Search 提取约 2000 个候选框

2. 特征提取：将每个候选框缩放到固定尺寸，单独输入 CNN 提取特征

3. 后处理：SVM 做分类、NMS（非极大值抑制）去重、Bbox 回归修正框的位置

• 相关改进：针对传统 NMS 的缺陷，衍生出 Soft-NMS、IoU-Net、Softer-NMS 等优化方案

• 存在问题：每个候选框单独过 CNN，计算冗余速度慢；多阶段训练，特征无法端到端更新

2. Fast R-CNN（2015）

针对 R-CNN 的缺陷做了优化，实现了特征共享：

1. 整张图输入 CNN 得到全局特征图，不再单独处理每个候选框

2. 提出ROI Pooling：将不同尺寸的候选区域，池化到固定尺寸的特征向量

3. 多任务损失：同时完成分类（交叉熵）与定位（Smooth L1）的端到端训练，还可通过 SVD 加速全连接层

• 相关改进：针对 ROI Pooling 的量化误差，后续提出了 ROI Align（双线性插值解决量化问题）、Precise ROI Pooling（无量化的精确池化）

3. Faster R-CNN（2015）

将候选框提取也替换为网络模块，实现了完全的端到端检测：

1. Backbone：用 VGG/ResNet 等网络提取全局特征

2. RPN（区域候选网络）：

• 引入 Anchor 机制：预定义 3 种尺度、3 种宽高比，共 9 种锚框，覆盖不同大小的目标

• 分支预测：对每个 Anchor，预测前景 / 背景分类，以及框的偏移回归

• Proposal 层：根据 RPN 的结果筛选出候选区域

3. 后续接 Fast R-CNN 的检测头，完成最终的分类与定位

• 训练方式：可采用交替训练 RPN 与检测头，也可直接端到端联合训练

---

第二阶段：单阶段检测（One Stage Detection）

单阶段检测去掉了单独的候选区域阶段，直接从图像端到端输出检测结果，大幅提升了检测速度，同时逐步追平两阶段的精度。

1. YOLO 系列

YOLO V1（2015）

• 核心思路：将图像划分为 7×7 的网格，每个网格负责预测中心落在该网格的目标，每个网格预测 2 个检测框

• 输出：7×7×(5×2+20)，包含框的坐标、置信度、分类概率

• 损失函数：加权多任务损失，对坐标、置信度、分类分别计算损失，对正负样本做权重平衡

• 缺陷：对密集目标、小目标、非常规宽高比的目标检测效果差

YOLO V2（2016）

针对 V1 的缺陷做了大量优化：

• 加入 BN 层、高分辨率分类器，提升特征质量

• 引入 Anchor 机制，通过 K-Means 聚类从数据集自动得到 5 种 Anchor 尺寸，替代手动设计

• 加入细粒度特征融合、多尺度训练，提升对不同大小目标的适配性

YOLO V3（2018）

• 采用残差结构的 Darknet 作为 Backbone

• 引入FPN（特征金字塔），实现 3 个尺度的检测，每个尺度对应 3 种 Anchor，分别检测大中小目标

• 分类用 Logistic 替代 Softmax，支持多标签分类

YOLO V4（2020）

整合了大量工程 Trick，在速度与精度上做了平衡：

• 数据增强：Mosaic、CutMix、自对抗训练（SAT）

• 网络改进：Mish 激活函数、改进的 SAM/PAN 结构

• 损失函数：采用 CIoU Loss，同时考虑重叠面积、中心距离、宽高比

• 正则化：Label Smoothing、Dropblock 等

2. RetinaNet（2018）

解决了单阶段检测的核心痛点：正负样本极度不平衡

• 核心创新：Focal Loss，通过降低易分样本的损失权重，让模型更关注难分的正样本，解决了类别不平衡导致的精度问题

• 结构：ResNet+FPN + 全卷积检测头，实现了高精度的单阶段检测

3. SSD

另一种经典的单阶段检测算法，利用多尺度特征图做检测，不同层检测不同大小的目标，衍生出 FaceBoxes 等面向特定场景的优化版本。

---

第三阶段：无锚框检测（Anchor Free Methods）

这是当时的研究趋势，解决了 Anchor 机制的缺陷：Anchor 需要手动调超参数、难适配不同数据集、正负样本不平衡、计算冗余等问题。

1. CenterNet（2019）

• 核心思路：将目标建模为中心点，只需要检测目标的中心，再回归目标的宽高即可

• 结构：

  1. Backbone：可选 Hourglass、DLA、ResNet 等

  2. 三个预测头：

  • Center Heatmap：预测中心点的位置，用 Focal Loss 训练

  • Offset：补偿下采样带来的离散误差，用 L1 Loss

  • Size：预测目标的宽高，用 L1 Loss

• 优势：不需要 NMS 后处理（通过 3×3 最大池化即可完成去重），速度快精度高，还可扩展到 3D 检测、姿态估计等多任务

2. FCOS（2019）

• 核心思路：基于像素的检测，对每个落在目标内的像素，预测该像素到目标四边的距离

• 结构：

  • 用 FPN 做分尺度检测，解决目标重叠的问题

  • 加入Center-ness分支，给边缘的低质量预测降低权重，提升检测质量

• 损失：分类用 Focal Loss，回归用 IoU Loss，需要 NMS 做后处理