1.1 目标检测定义、任务与发展历程

1.1 目标检测定义、任务与发展历程

本节摘要：目标检测既要识别类别又要定位位置。本节讲清检测任务的形式化定义，以及从手工特征到深度学习的三段发展史。

学习目标

阅读完本节，你应当能够：

1. 形式化描述目标检测任务
2. 区分分类、定位、检测、分割
3. 复述检测算法的三阶段发展史

概念脉络

一、目标检测任务的形式化

给定图像 I，目标检测输出一组检测结果 \{(b_i, c_i, s_i)\}：

• b_i = (x, y, w, h)：边界框（中心坐标 + 宽高）
• c_i：类别标签
• s_i：置信度分数

简单说，检测 = 给图里每个目标贴一个带类别的框。注意三点：目标个数 N 事先未知；位置 (x,y,w,h) 是连续值；同一张图可能同时存在多个不同类别的目标。这三个特性决定了检测不能退化成普通分类。

图 1-1 目标检测任务示意

用代码表达这个任务会非常直观：

# 一次检测前向的抽象描述
def detect(image):
    """输入图像，输出 N 个 (框, 类别, 分数)"""
    boxes = []       # 每个元素是 [x, y, w, h]
    labels = []      # 每个元素是类别 id
    scores = []      # 每个元素是置信度，0~1
    # 传统方法：手工特征 + 滑动窗口 + 分类器
    # 深度方法：CNN 特征 + 检测头，一次前向得到全部结果
    return boxes, labels, scores
​

后续所有算法，本质都是在回答"如何得到这组 boxes/labels/scores，且又快又准"。

二、与相关任务的区别

检测比分类难，因为目标数量未知、位置连续、尺度多变。比实例分割简单，因为分割还要区分同一类别的不同个体并给出像素级掩码。这条"难度阶梯"也是模型选型的参考：任务越复杂，对标注和算力的要求越高。

三、发展史：三个阶段

阶段一：传统方法（2012 前）

手工特征（HOG、SIFT、SURF）+ 分类器（SVM、Adaboost）。代表是 Viola-Jones 人脸检测（Haar 特征 + 级联分类器，实时人脸）。典型流程是滑动窗口：在图像每个位置、每种尺度取窗口，提取特征，用分类器判断窗口内是否含目标。窗口数量巨大，计算慢，且手工特征无法表达"自行车"这种结构复杂的目标。

痛点：手工特征泛化差，复杂场景崩盘。

阶段二：深度学习两阶段（2014-2015）

2014 年 R-CNN 用选择性搜索生成约 2000 个候选框，再逐个送进 CNN 提特征，配合 SVM 分类，把 PASCAL VOC 上的 mAP 从 35% 拉到 58%。随后 Fast R-CNN 用整图一次前向 + RoI Pooling 把速度提上来，Faster R-CNN 又用 RPN 把候选框生成也搬上 GPU，实现端到端。

特点：精度高，但两阶段流程慢。

阶段三：深度学习单阶段（2016 至今）

2016 年 YOLOv1 把检测当回归，一次前向直接出框；SSD 用多尺度特征图、RetinaNet 用 focal loss 分别解决小目标和正负样本不均衡。YOLOv4 之后进入工程优化融合期：数据增强、损失函数、部署优化成为新的性能增长点。

特点：速度快，精度逐步追上两阶段。

四、两阶段 vs 单阶段

为什么两阶段早期精度占优？因为它把"在哪里"和"是什么"拆成两个专门步骤，每个步骤都用较充足的样本优化；单阶段要同时优化大量网格位置，正负样本严重失衡，早期难训好。RetinaNet 的 focal loss 正是针对这一点做的修正。

五、一个贯穿全书的思考角度

判断一个检测器好不好，可以从三个角度问：它在哪里找候选（滑动窗口、选择性搜索、RPN、网格、特征点）、它用什么特征（HOG、VGG、ResNet、Darknet、FPN 多尺度）、它怎么定损失（L1、IoU 家族、focal loss）。后面每讲一个模型，我们都用这组问题去拆解它，对比就自然出来了。

⚠️ 常见误区：以为单阶段精度一定不如两阶段。YOLOv4 之后，单阶段在 COCO 上已追平甚至超越两阶段，差距主要在工程优化而非范式本身。

💡 关键直觉：检测 = 分类 + 定位。发展三阶段：传统手工特征（泛化差）→两阶段深度学习（精度高慢）→单阶段深度学习（快，精度追平）。范式之争已淡化，工程优化成主战场。

要点速记

• 任务：输出 (b_i, c_i, s_i)，每个目标一个带类别和置信度的框。
• 区别：分类答"是什么"，定位答"在哪里"，检测两者都要。
• 发展三阶段：传统方法（HOG+SVM）→两阶段深度学习（R-CNN系列）→单阶段深度学习（YOLO/SSD）。
• 两阶段 vs 单阶段：精度 vs 速度，现已融合，工程优化为主。
• 拆解角度：找候选的方式、用的特征、定的损失。
• 趋势：范式之争淡化，数据增强、损失函数、部署优化成关键。

下一节看目标检测用在哪里。