目标检测算法作为计算机视觉领域的核心任务之一,旨在从图像或视频中定位并识别出感兴趣的目标对象，经过数十年的发展，目标检测算法已从传统方法深度演进至基于深度学习的范式，在精度、速度和鲁棒性上均取得了显著突破，当前，目标检测算法的研究现状可大致分为传统目标检测算法、基于深度学习的二阶段目标检测算法、基于深度学习的单阶段目标检测算法以及基于Transformer的目标检测算法四大方向，轻量化、小目标检测、跨模态检测等特定场景下的技术优化也成为研究热点。
传统目标检测算法主要依赖手工设计的特征和滑动窗口机制,早期方法如Viola-Jones算法采用Haar特征和AdaBoost分类器，实现了人脸的实时检测，但特征表达能力有限，随后，HOG（方向梯度直方图）特征结合SVM（支持向量机）在行人检测等任务中表现出色，通过统计图像局部区域的梯度方向信息描述目标形状，但计算复杂度较高，且对尺度、旋转变化敏感，DPM（ deformable parts model）进一步引入部件可变形模型，通过多个部件组合描述目标形变，提升了检测精度，但仍难以解决复杂背景下的特征歧义问题，传统方法的核心瓶颈在于手工特征的设计依赖专家经验，且特征提取与分类、回归过程分离，难以实现端到端的优化，因此在复杂数据场景下性能逐渐被深度学习方法超越。
基于深度学习的二阶段目标检测算法通过“先生成候选区域，再进行分类和位置精修”的两阶段流程，在精度上占据优势，2025年，R-CNN（Region-based CNN）首次将CNN引入目标检测，通过选择性搜索生成候选区域，再对每个区域进行特征提取和分类，但存在计算冗余、速度慢的问题，Fast R-CNN通过引入RoI（Region of Interest） pooling层，实现特征图与候选区域的对齐，并采用多任务损失（分类+边界框回归），大幅提升了训练和推理效率，Faster R-CNN进一步提出RPN（Region Proposal Network），将候选区域生成过程嵌入神经网络，实现端到端训练，成为二阶段算法的经典基准，后续工作如Mask R-CNN在Faster R-CNN基础上增加实例分割分支，FPN（特征金字塔网络）通过多尺度特征融合解决尺度变化问题， Cascade R-CNN通过级联结构逐步提升边界框质量，进一步推动了二阶段算法在精度上的极限探索，二阶段算法的优势在于检测精度高，但对实时性要求较高的场景（如自动驾驶）存在挑战。
基于深度学习的单阶段目标检测算法通过直接回归目标类别和边界框坐标,省去了候选区域生成步骤，显著提升了检测速度，YOLO（You Only Look Once）系列是单阶段算法的典型代表，YOLOv1将检测任务视为回归问题，实现实时检测，但对小目标检测效果较差，YOLOv2引入锚框（anchor box）和批量归一化等改进，YOLOv3采用多尺度预测，提升了对不同尺度目标的感知能力，YOLOv4进一步结合CSPNet、Mosaic数据增强等技术，在速度和精度上达到平衡，SSD（Single Shot MultiBox Detector）通过在多尺度特征图上预测目标，兼顾小目标和大型目标的检测，采用锚框机制提升定位精度，RetinaNet则针对单阶段算法中正负样本不平衡问题，提出Focal Loss损失函数，显著提升了检测精度，单阶段算法的优势在于速度快，适合实时应用，但在精度上通常略逊于二阶段算法，近年来通过特征融合、注意力机制等改进，精度差距逐渐缩小。
基于Transformer的目标检测算法是近年来的研究热点,其自注意力机制为全局特征建模提供了新思路，DETR（DEtection TRansformer）首次将Transformer架构引入目标检测，通过编码器-解码器结构和一对一的匹配机制，消除锚框和NMS（非极大值抑制）后处理过程，实现了端到端的检测，Deformable DETR通过引入可变形注意力，使模型能够聚焦于目标关键区域，提升了收敛速度和小目标检测性能，Swin Transformer将Transformer与CNN结合，通过层次化特征提取和移位窗口注意力，在保持全局建模能力的同时降低了计算复杂度，成为目标检测领域的骨干网络之一，Transformer-based算法的优势在于强大的全局建模能力和端到端检测范式，但计算开销较大，对训练数据量和硬件要求较高。
除上述主流方向外,目标检测算法在特定场景下的优化研究也备受关注，轻量化检测算法（如MobileNet、ShuffleNet作为骨干网络的YOLO系列）旨在通过模型压缩、知识蒸馏等技术，在嵌入式设备等资源受限场景下实现实时检测；小目标检测算法（如FPN、PANet特征融合，或基于超分辨率预处理）通过增强小目标的特征表达，解决因特征信息不足导致的漏检问题；跨模态检测（如可见光与红外图像融合检测）则通过多模态数据互补，提升复杂环境下的检测鲁棒性，无监督/半监督目标检测、少样本目标检测、3D目标检测等方向也成为研究前沿，推动了目标检测技术在更广泛领域的应用。
相关问答FAQs：
-
问：二阶段目标检测算法和单阶段目标检测算法的主要区别是什么？
答：二阶段算法（如Faster R-CNN）分为候选区域生成和目标分类与位置精修两个阶段，检测精度较高但速度较慢；单阶段算法（如YOLO、SSD）直接在特征图上回归目标类别和位置，无需候选区域生成，速度快但精度略低，二阶段算法适合对精度要求高的场景（如医学影像分析），单阶段算法适合实时性要求高的场景（如自动驾驶）。 -
问：Transformer在目标检测算法中的核心优势是什么？
答：Transformer的核心优势在于其自注意力机制能够建模全局依赖关系，有效捕捉目标与上下文的长距离关联，解决了传统CNN中局部感受野的限制，Transformer的端到端检测范式（如DETR）消除了手工设计锚框和NMS后处理的复杂性，简化了模型流程，但在计算效率和训练稳定性上仍需进一步优化。
（图片来源网络，侵删）
