目标检测是计算机视觉中的一项基本任务，涉及识别数字图像中的物体实例并确定其位置。与为整张图像分配单一标签的图像分类不同，目标检测输出一个或多个边界框，每个边界框与一个类别标签和置信度分数相关联。这一能力支撑着从自动驾驶、监控到医学影像和零售分析等众多应用。
该领域已从经典的手工特征方法演进到现代深度学习方法。早期技术，如Viola-Jones检测器（2001年）和带支持向量机的方向梯度直方图（HOG）（2006年），依赖于手工设计的特征。深度学习的出现，特别是卷积神经网络（CNN），彻底改变了这一领域。2012年，AlexNet在图像分类中的成功推动了基于CNN的检测器的发展。关键里程碑包括2014年的区域卷积神经网络（R-CNN），它引入了选择性搜索以生成区域提案；2015年的Fast R-CNN和Faster R-CNN通过集成区域提案网络提高了速度和准确性。与此同时，2016年的YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等单阶段检测器通过直接从特征图预测边界框和类别，提供了实时性能。
核心概念与架构
目标检测模型可以大致分为两阶段和单阶段检测器。两阶段检测器，如Faster R-CNN，首先生成区域提案，然后对每个提案进行分类，实现高准确性但计算成本较高。单阶段检测器，如YOLO和SSD，在单次通过中完成检测，以部分准确性换取速度。最近的进展包括基于变换器的检测器，如2020年的DETR（Detection Transformer），它将检测视为集合预测问题，消除了对锚框和非极大值抑制等手工组件的需求。
现代架构通常采用特征金字塔网络（FPN）来检测多尺度的物体。骨干网络，如ResNet、EfficientNet或视觉变换器（ViT），提取层次化特征。骨干网络和检测头的选择显著影响性能和效率。例如，YOLOv8（2023年）集成了CSPDarknet骨干、PANet颈部和解耦头，实现了最先进的速度-准确性权衡。
训练与评估
训练目标检测器需要带有边界框标签的大规模标注数据集。著名数据集包括PASCAL VOC（2005-2012年）、MS COCO（2015年）和Open Images（2016年）。这些数据集提供从数千到数百万张图像，涵盖多种类别的物体实例。损失函数通常结合分类损失（如交叉熵）和定位损失（如平滑L1或基于IoU的损失）。数据增强技术，如随机裁剪、缩放和颜色抖动，对泛化至关重要。
评估指标包括平均精确率均值（mAP），它计算跨类别和IoU阈值的精确率-召回率曲线下面积。MS COCO的mAP@[.5:.95]是标准基准。推理速度以每秒帧数（FPS）或延迟衡量，通常与准确性进行权衡。
应用与影响
目标检测是众多现实世界系统不可或缺的组成部分。在自动驾驶车辆中，它识别行人、车辆和交通标志，如Waymo和特斯拉自动驾驶等公司所展示的。在监控中，它支持人员计数和异常检测。在零售中，它驱动库存管理和无人收银商店。在医疗保健中，它辅助放射影像中的肿瘤检测。该技术还实现了增强现实、机器人和图像搜索。
挑战与未来方向
尽管取得了进展，目标检测仍面临挑战：检测小物体、处理遮挡、适应域偏移，以及确保边缘情况下的鲁棒性。效率对于在嵌入式设备上的部署仍然至关重要，推动了对模型压缩和量化的研究。大型语言模型和变换器的集成开辟了新途径，如开放词汇检测，其中模型可以使用文本描述检测超出训练类别的物体。研究继续在自监督和少样本学习方面进行，以降低标注成本。
著名研究人员与机构
关键贡献者包括Karen Simonyan（VGG、R-CNN）、Ross Girshick（R-CNN、Fast R-CNN、Faster R-CNN）和Joseph Redmon（YOLO）。伯克利AI研究、斯坦福AI实验室和MIT CSAIL的学术团队推动了该领域的发展。Google DeepMind、OpenAI和微软研究等工业实验室也做出了贡献。目标检测的持续演进继续塑造着人工智能和计算机视觉的更广泛格局。