目标检测技术演进：从R-CNN到无锚框方法

1. 目标检测技术演进全景图

目标检测作为计算机视觉领域的核心任务，经历了从传统两阶段方法到单阶段检测，再到无锚框技术的完整演进过程。这项技术能够同时完成目标的定位（在哪里）和识别（是什么）两大任务，在自动驾驶、工业质检、安防监控等领域有着广泛应用。本文将系统梳理目标检测技术的发展脉络，剖析各阶段代表性算法的核心思想与实现细节。

2. 两阶段检测：精度优先的经典范式

2.1 R-CNN：开创性的两阶段检测框架

R-CNN（Regions with CNN features）是首个将深度学习成功应用于目标检测的算法。其核心流程分为三个关键步骤：

1. 区域候选生成：使用Selective Search算法从原始图像中提取约2000个候选区域。该算法基于颜色、纹理、大小等特征进行层次化区域合并，相比传统滑动窗口方法显著减少了候选数量。

2. 特征提取：将每个候选区域缩放到固定尺寸（通常为227×227），分别输入预训练的CNN网络（如AlexNet）提取4096维特征向量。这里存在明显的计算冗余——同一图像的不同区域会重复通过CNN。

3. 分类与回归：对每个区域特征，先用SVM进行分类判断，再通过线性回归模型（Bounding Box Regression）精修候选框位置。最后使用非极大值抑制（NMS）去除高度重叠的冗余检测框。

实际工程中发现，Selective Search在CPU上处理一张图像约需2秒，而特征提取阶段由于重复计算，处理时间更长。这促使后续研究向特征共享方向发展。

技术演进：针对传统NMS的缺陷，后续出现了多种改进方案：

• Soft-NMS：通过连续函数降低相邻检测框的分数而非直接抑制，保留更多遮挡目标
• IoU-Net：引入IoU预测分支，提升定位质量评估的准确性
• Softer-NMS：考虑定位不确定性，实现更精细的框选择

2.2 Fast R-CNN：特征共享的革命性突破

Fast R-CNN通过两项关键创新大幅提升了检测效率：

1. 整图特征提取：不再单独处理每个候选区域，而是将整张图像输入CNN（如VGG16）生成共享的特征图。候选区域通过RoI Pooling层从特征图上截取对应区域，统一转换为固定尺寸（如7×7）的特征块。