目标检测是什么？既要认出是什么，又要找到在哪

目标检测（Object Detection）是在图像或视频中找出物体并标明位置的计算机视觉任务。它不仅要回答“图里有什么”，还要回答“在哪里”：对每个物体，给出类别（人、车、猫）和一个框住它的矩形边界框。图像分类只给整张图一个标签，目标检测则要处理一张图里的多个、不同大小的物体。

传统方法

深度学习之前，目标检测主要靠滑动窗口：用不同大小的窗口在图上逐个位置扫描，每个窗口用人工设计的特征（比如 Haar 特征、HOG 特征）加分类器判断里面有没有目标。经典的人脸检测算法就是这样工作的。这类方法计算量大，对复杂场景的适应能力也有限。

深度学习带来的突破

2014 年，加州大学伯克利分校的 Ross Girshick 等人提出了 R-CNN。它先用算法从图中挑出约两千个可能有物体的候选区域，再用卷积神经网络对每个区域提取特征并分类。在经典的 PASCAL VOC 2012 数据集上，它把平均精度（mAP）提升到 53.3%，比之前的最好成绩相对提高了 30% 以上。论文的另一个关键洞见是：数据少的时候，可以先在大规模图像分类数据上预训练，再针对检测任务微调，这个思路后来成为深度学习的标准做法。

此后的演进主要沿两条路线：一是两阶段方法，先找候选区域再识别，从 R-CNN 发展到 Fast R-CNN、Faster R-CNN，精度高；二是单阶段方法，一次前向计算直接输出所有框和类别，代表是 YOLO 和 SSD，速度快，适合实时场景。再后来，基于 Transformer 的 DETR 去掉了很多手工设计的组件，开放词汇检测则让模型可以检测训练时没见过的类别，只需要用文字描述。

应用

自动驾驶识别行人、车辆和交通标志；安防监控检测异常行为；工业生产线检测零件缺陷；零售货架识别商品；医学影像定位病灶；无人机巡检。目标检测也是很多更复杂任务的基础，比如目标跟踪、实例分割和姿态估计。