物体检测算法发展脉络

物体检测作为计算机视觉的核心任务，经历了从手工特征到深度学习的范式转变。传统方法依赖SIFT、HOG等特征描述子，配合SVM、DPM等分类器实现检测，这类方法在复杂场景下鲁棒性不足。2012年AlexNet在ImageNet竞赛中的突破，开启了深度学习主导的物体检测新时代。

一、基于区域提议的检测算法

1.1 R-CNN系列演进

R-CNN（Regions with CNN features）开创性地将CNN特征应用于物体检测，通过Selective Search生成约2000个候选区域，每个区域独立进行特征提取和分类。其核心流程为：

# R-CNN伪代码示例
def rcnn_pipeline(image):
    regions = selective_search(image)  # 生成候选区域
    features = []
    for region in regions:
        warped = warp_region(region)  # 区域归一化
        feat = cnn_extract(warped)    # CNN特征提取
        features.append(feat)
    predictions = svm_classify(features)  # SVM分类
    return nms(predictions)               # 非极大值抑制

Fast R-CNN通过ROI Pooling层实现特征共享，将检测速度提升213倍。Faster R-CNN进一步集成RPN（Region Proposal Network），实现端到端训练，检测精度达到SOTA水平。

1.2 Mask R-CNN扩展

在Faster R-CNN基础上，Mask R-CNN增加分支用于实例分割，通过RoIAlign解决量化误差问题。其创新点在于：

• 双线性插值实现特征对齐
• 并行预测边界框和分割掩码
• 在COCO数据集上取得57.2%的AP（平均精度）

二、单阶段检测算法

2.1 YOLO系列革新

YOLO（You Only Look Once）将检测视为回归问题，实现实时检测的突破。YOLOv3采用Darknet-53骨干网络，引入多尺度预测：

# YOLOv3多尺度检测示例
def yolo_predict(image):
    features = darknet53(image)  # 提取多尺度特征
    detections = []
    for scale in [13x13, 26x26, 52x52]:  # 三尺度输出
        boxes = conv_predict(features[scale])
        detections.extend(nms(boxes))
    return detections

YOLOv5通过自适应锚框计算、Mosaic数据增强等技术，在保持64FPS速度下，COCO数据集AP达到44.8%。

2.2 SSD算法特点

SSD（Single Shot MultiBox Detector）采用VGG16作为基础网络，在多个特征层上直接回归边界框：

• 6个不同尺度的特征图（38x38到1x1）
• 每个位置预设多种长宽比的锚框
• 使用Hard Negative Mining解决正负样本不平衡

三、Anchor-Free方法突破

3.1 FCOS检测机制

FCOS（Fully Convolutional One-Stage）去除锚框设计，通过点级预测实现检测：

1. 特征图每个点预测到四条边的距离
2. 中心度分支抑制低质量预测
3. 采用FPN进行多尺度融合

在ResNeXt-101骨干下，AP达到44.7%，较RetinaNet提升2.1%。

3.2 CenterNet创新点

CenterNet将物体检测建模为关键点估计问题：

• 输出热力图表示物体中心位置
• 同时预测物体尺寸和朝向
• 在COCO上AP达到47.0%，推理速度28.1FPS

四、Transformer检测架构

4.1 DETR范式转变

DETR（Detection Transformer）首次将Transformer用于物体检测：

• 使用CNN提取特征后展平为序列
• 编码器-解码器结构实现集合预测
• 采用匈牙利算法进行标签分配

虽然训练需要500epoch，但AP达到44.9%，开辟了新研究范式。

4.2 Swin Transformer改进

Swin Transformer通过分层窗口自注意力机制：

• 局部窗口计算降低复杂度
• 跨窗口连接实现信息交互
• 在COCO上AP达到58.7%，超越多数CNN方法

五、算法选型实践建议

5.1 精度优先场景

• 医疗影像分析：推荐Mask R-CNN+ResNeXt组合
• 工业缺陷检测：采用Cascade R-CNN+HTC架构
• 小目标检测：使用HRNet+FPN特征融合

5.2 速度敏感场景

• 实时视频监控：YOLOv5s（640x640输入下45FPS）
• 移动端部署：NanoDet（1.8M参数，10.2ms/帧）
• 无人机应用：PP-YOLOv2（Tesla V100上72.9FPS）

5.3 特殊场景适配

• 拥挤场景检测：采用RepPoints或AdaptiveNMS
• 透明物体检测：结合边缘特征和深度信息
• 跨域检测：使用Domain Adaptive Faster R-CNN

六、未来发展趋势

1. 轻量化方向：模型压缩技术（知识蒸馏、量化）将推动边缘设备部署
2. 多模态融合：结合RGB、深度、热成像等多源数据
3. 开放词汇检测：CLIP引导的零样本检测方法
4. 3D物体检测：基于点云的检测网络（PointRCNN、VoxelNet）
5. 自监督学习：利用无标注数据进行预训练

当前物体检测算法已形成完整的体系，从两阶段到单阶段，从Anchor-Based到Anchor-Free，从CNN到Transformer。实际应用中需综合考虑检测精度、推理速度、硬件条件等因素，通过模型蒸馏、剪枝等优化技术实现最佳平衡。随着算法的持续演进，物体检测技术将在自动驾驶、智能安防、工业质检等领域发挥更大价值。