2D目标检测，是计算机视觉领域最核心的任务之一。它的目标很简单：在一张图片中，同时回答两个问题——“是什么？”（分类）和“在哪里？”（定位）。

这个任务的发展，大致可以分为几个清晰的时代。

1. 蛮荒时代：传统方法 (2014年以前)

在深度学习一统江湖之前，目标检测是一个繁琐、多阶段的过程。

• 核心思想：滑动窗口（Sliding Window） + 手工特征（Hand-crafted Features） + 分类器（Classifier）。
• 流程拆解：
  1. 区域选择：用一个固定大小的窗口，在图像上从左到右、从上到下地滑动。为了检测不同大小的物体，还需要缩放窗口或图像，重复滑动。这个过程会产生海量的候选区域。
  2. 特征提取：对于每一个候选区域，使用经典的特征描述子，如 HOG (Histogram of Oriented Gradients) 或 SIFT (Scale-Invariant Feature Transform)，将其转换成一个固定长度的特征向量。
  3. 分类：将提取出的特征向量，喂给一个预先训练好的分类器，如 SVM (Support Vector Machine)，来判断这个区域里是“目标”还是“背景”。
• 痛点：
  • 计算量巨大：滑动窗口策略毫无重点，会产生大量冗余的计算。
  • 特征表达力弱：手工设计的特征，对光照、形变、遮挡等情况的鲁棒性很差。

2. 两阶段王朝：精度为王 (2014 – 2016)

2012年AlexNet的出现，标志着深度学习时代的到来。目标检测领域也迎来了革命。

• 核心思想：先找“可能”是物体的区域，再对这些区域进行精细分类和定位。这种“先粗后精”的思路，被称为两阶段（Two-Stage）方法。
• 代表模型：R-CNN 家族
  • R-CNN (2014)：
    1. 区域提名（Region Proposal）：用选择性搜索（Selective Search）算法，替代了蛮力的滑动窗口，生成约2000个高质量的候选框。
    2. 特征提取：将这2000个候选框，逐一缩放到固定尺寸，然后分别送入一个CNN（如AlexNet）中提取特征。
    3. 分类与回归：用SVM进行分类，再用一个线性回归器对边框位置进行微调。
    4. 问题：每个候选框都要独立过一遍CNN，计算冗余极大，速度极慢。
  • Fast R-CNN (2015)：
    1. 核心改进：只对整张图像进行一次CNN特征提取，得到一个特征图（Feature Map）。
    2. 将选择性搜索生成的候选框，投影（Project）到这个特征图上。
    3. 引入 RoI Pooling (Region of Interest Pooling) 层，从特征图上为每个不同大小的候选框提取出固定尺寸的特征向量。
    4. 结果：共享了卷积计算，速度大幅提升。但瓶颈转移到了CPU上运行的选择性搜索。
  • Faster R-CNN (2015)：
    1. 终极形态：引入了RPN (Region Proposal Network)，彻底抛弃了选择性搜索。
    2. RPN是一个小型的全卷积网络，它直接在CNN的特征图上滑动，高效地生成高质量的候选框。
    3. 意义：首次将区域提名步骤也集成到了GPU中，实现了端到端（End-to-End）的训练。Faster R-CNN 成为了后续无数两阶段算法的基石。

3. 单阶段崛起：速度至上 (2016 – 至今)

两阶段方法精度虽高，但速度仍难以满足实时应用的需求。于是，另一条技术路线应运而生。

• 核心思想：取消区域提名阶段，直接在整张图上回归出物体的类别和位置。这种一步到位的方式，被称为单阶段（One-Stage）方法。
• 代表模型：
  • YOLO (You Only Look Once) (2016)：
    • 思路：将图像划分为SxS的网格（Grid）。每个网格单元负责预测中心点落入其中的物体。
    • 特点：结构极其简洁，速度飞快，真正意义上实现了实时检测。但早期版本对小物体的检测效果不佳。
  • SSD (Single Shot MultiBox Detector) (2016)：
    • 思路：借鉴了Faster R-CNN中Anchor Box的思想，并在不同层级的特征图上进行预测。
    • 特点：低层级的特征图分辨率高，适合检测小物体；高层级的特征图感受野大，适合检测大物体。在速度和精度之间取得了很好的平衡。

4. 现代格局：百花齐放 (2018 – 至今)

随着研究的深入，单阶段和两阶段的界限逐渐模糊，新的范式不断涌现。

• Anchor-Free 时代：
  • 背景：YOLO和SSD等方法都依赖于预设的锚框（Anchor Box），这些锚框的设计本身就是一组复杂的超参数，影响性能且不够优雅。
  • 思路：抛弃锚框，回归到更本质的检测方式。
  • 代表：
    • CenterNet：将物体检测视为关键点（中心点）预测问题，然后回归其宽高。
    • FCOS (Fully Convolutional One-Stage)：直接在每个像素位置上预测其到目标边界的四条距离，非常直观。
• Transformer 革命：
  • 背景：Transformer在NLP领域取得巨大成功后，研究者开始尝试将其引入CV。
  • 代表：DETR (DEtection TRansformer) (2020)：
    • 核心思想：将目标检测视为一个集合预测（Set Prediction）问题。
    • 流程：利用CNN提取图像特征，然后输入到一个Transformer的Encoder-Decoder结构中，直接输出一个无序的、固定数量的预测框集合。
    • 颠覆性：它彻底抛弃了锚框和NMS（非极大值抑制）这两个在过去目标检测领域几乎不可或缺的手工组件，提供了一个极其简洁的端到端方案。虽然早期版本训练慢、对小物体不友好，但它开辟了全新的道路。

总结

范式 (Paradigm)	代表模型	核心思想	优/缺点
传统方法	HOG + SVM	滑动窗口 + 手工特征	缺点: 慢，鲁棒性差
两阶段 (Two-Stage)	Faster R-CNN	先找候选框，再精细分类	优点: 精度高 缺点: 速度相对较慢
单阶段 (One-Stage)	YOLO, SSD	直接在图上回归类别和位置	优点: 速度快 缺点: 早期精度稍逊
Anchor-Free	CenterNet, FCOS	抛弃锚框，用关键点或距离回归	优点: 结构更简洁，超参少
Transformer	DETR	将检测视为集合预测问题	优点: 抛弃NMS，端到端 缺点: 训练收敛慢

2D目标检测的演进之路，本质上是一个不断追求更高精度、更快速度、更少人工干预（End-to-End）的过程。从复杂的流程到简洁的端到端模型，这条路还在继续。