目标识别

目标识别

目标识别（Object Detection/Target Recognition）是计算机视觉领域的核心任务之一，其目标是从图像或视频中定位并识别出感兴趣的物体。目标识别不仅需要判断图像中是否包含某类物体，还要精确输出物体的空间位置（通常以边界框表示）和类别标签。这项技术是自动驾驶、安防监控、医学影像分析、工业质检和增强现实等应用场景的基础支撑。与传统图像分类（Image Classification）不同，目标识别面临两大挑战：一是图像中物体的数量未知，二是物体的尺度、姿态、光照和遮挡变化极大。

目标识别的发展历程可分为三个阶段：传统方法时期（2000年代—2012年）、深度学习兴起时期（2012—2016年）和端到端方法成熟时期（2016年至今）。早期方法依赖手工设计的特征和滑动窗口策略，计算效率低且泛化能力有限。2012年后，基于卷积神经网络（CNN）的目标识别方法大幅提升了准确率。2016年后，YOLO和SSD等单阶段检测器的出现实现了实时检测，而DETR等基于Transformer的方法则彻底改变了目标识别的范式结构。

传统方法：滑动窗口与手工特征

在深度学习普及之前，目标识别的主流技术路线是滑动窗口检测器。该方法通过在图像上以不同尺度和长宽比滑动固定尺寸的窗口，将每个窗口内的图像区域送入分类器进行判别。常用的分类器包括支持向量机（SVM）和Adaboost。特征提取方面，HOG（方向梯度直方图）和SIFT（尺度不变特征变换）是最具代表性的手工设计特征。HOG特征通过统计局部梯度方向分布来描述物体形状，对光照和小形变具有较好的鲁棒性。

可变形部件模型（DPM, Deformable Parts Model）是传统方法的巅峰之作。DPM将物体视为由若干部件（如人脸的眼睛、鼻子、嘴巴）组成的整体，每个部件独立检测并允许部件间存在弹性形变。以人检测为例，DPM先检测头部、躯干和四肢等部件，再通过弹簧形变模型计算部件间的相对位置是否符合人体结构约束。DPM在PASCAL VOC数据集上取得了当时最先进的检测结果，但其计算量大、参数调整复杂，难以满足实时应用需求。

传统方法的核心瓶颈在于：滑动窗口产生大量冗余候选区域，手工特征无法充分表达复杂语义信息，分类器的泛化能力受限于训练数据规模。这些问题一直困扰着目标识别领域，直到深度学习的出现才被根本性突破。

两阶段检测器：候选区域与分类回归

基于深度学习的目标识别方法首先在两阶段检测器（Two-Stage Detector）方向上取得突破。这类方法将检测过程拆解为两个步骤：第一阶段生成区域建议（Region Proposal），即找出图像中可能包含物体的候选区域；第二阶段对每个候选区域进行分类和边界框精修。

R-CNN（Region-based CNN）由Ross Girshick等人于2014年提出，是该路线的开创性工作。R-CNN使用选择性搜索（Selective Search）算法生成约2000个候选区域，将每个区域缩放至固定尺寸后送入CNN提取特征，最后用SVM分类器进行类别判断。虽然R-CNN在PASCAL VOC 2012上取得了显著优于传统方法的结果，但其推理速度极慢（每张图像约47秒），且候选区域的特征重复计算造成巨大浪费。

Fast R-CNN大幅提升了效率：它将整张图像输入CNN生成特征图，然后通过RoI池化（Region of Interest Pooling）将候选区域映射到特征图上并提取固定尺寸的特征向量。这样，所有候选区域共享一次CNN前向计算。Fast R-CNN还将分类器和边界框回归器合并到神经网络中，实现了端到端训练。检测速度提升至每张图像约0.3秒。

Faster R-CNN则实现了真正的统一框架。它提出了区域建议网络（RPN, Region Proposal Network），将候选区域生成也融入神经网络中。RPN在特征图上滑动小窗口，在每个位置预测锚框（Anchor Box）属于前景或背景的概率，并回归边界框偏移。Faster R-CNN实现了从图像到检测结果的全流程端到端训练，检测速度达到实时（约5—17帧/秒），成为后续众多检测系统的标准架构。

单阶段检测器：实时性与简洁性

两阶段检测器虽然精度较高，但推理速度仍受限于候选区域的生成与处理。单阶段检测器（One-Stage Detector）跳过了显式的候选区域生成步骤，直接在特征图上回归物体的类别和边界框坐标，以牺牲一定精度换取极高的速度优势。

YOLO（You Only Look Once）是单阶段检测器中最具影响力的系列。由Joseph Redmon等人于2016年提出的YOLOv1将目标识别视为一个单一的回归问题：将输入图像划分为$S \times S$的网格，每个网格负责预测B个边界框及对应的置信度分数，同时预测C个类别概率。YOLO的推理速度可达每秒45帧以上，远超同期方法。后续的YOLOv2引入了批量归一化、锚框机制和多尺度训练；YOLOv3采用FPN（特征金字塔网络）结构，在小、中、大三个尺度上进行检测，提升了小目标检测能力。YOLOv4和YOLOv5则融合了当时最先进的训练技巧和数据增强策略，使YOLO系列在精度和速度之间达到了优异平衡。

SSD（Single Shot MultiBox Detector）是另一重要单阶段检测器。SSD在不同层级的特征图上进行检测：浅层特征图分辨率高，适合检测小物体；深层特征图语义信息强，适合检测大物体。这种多尺度检测策略使SSD在小目标检测上优于YOLOv1。SSD还预设了多种尺度和长宽比的锚框，在每个特征图位置上预测相对于锚框的偏移量和类别置信度。

RetinaNet通过Focal Loss解决了单阶段检测器的类别不平衡问题：正样本（包含物体的区域）数量远少于负样本（背景区域），导致模型倾向于将一切预测为背景。Focal Loss降低了对易分类负样本的权重，使模型专注于学习困难的样本，从而弥合了单阶段检测器与两阶段检测器之间的精度差距。

基于Transformer的方法：无锚框与全局推理

2020年，Facebook AI团队提出的DETR（Detection Transformer）开创了目标识别的新范式。DETR摒弃了手工设计的锚框、非极大值抑制（NMS）等传统组件，将目标识别重新定义为集合预测问题（Set Prediction）。其核心思想是：使用Transformer的编码器-解码器架构，将图像特征和可学习的物体查询（Object Queries）输入Transformer，直接输出固定数量的检测结果。DETR通过匈牙利算法进行预测与真值的最优匹配，实现了端到端的目标识别。

DETR的贡献在于：第一，消除了对锚框和NMS等人工设计的依赖，使检测流程高度简洁；第二，Transformer的自注意力机制使模型能够考虑全局上下文，对遮挡和复杂场景的检测效果较好。然而，DETR存在训练收敛慢和小目标检测能力差的问题。

后续工作如Deformable DETR引入了可变形注意力机制，只关注关键位置的特征，显著加速了训练过程并提升了小目标检测性能。DINO（DETR with Improved Denoising Anchor）进一步结合了对比学习和去噪训练策略，在COCO数据集上刷新了目标识别的最优结果。

评价指标与数据集

目标识别最核心的评价指标是平均精度均值（mAP, mean Average Precision）。其计算过程为：首先，根据预测边界框与真值框的交并比（IoU, Intersection over Union）判断检测是否正确（通常设定IoU阈值为0.5）；然后，对每个类别绘制精度-召回率曲线，计算曲线下的面积作为该类别的平均精度（AP）；最后，对所有类别的AP取平均得到mAP。在COCO数据集中，mAP在多个IoU阈值（0.5到0.95，步长0.05）上取平均，构成更全面的性能评估。此外，FPS（帧每秒）用于衡量推理速度，AP\_S、AP\_M和AP\_L分别评估对小、中、大物体的检测能力。

最具影响力的目标识别数据集包括：PASCAL VOC（20类物体，早期基准）、MS COCO（80类物体，约33万张图像，当前最广泛使用的基准）和ImageNet Detection。在工业应用中，自动驾驶领域常用Cityscapes和KITTI；遥感领域常用DOTA；人脸检测领域常用WIDER Face。

挑战与前沿方向

当前目标识别面临若干关键挑战：小目标检测——小物体在特征图中仅占几个像素，信息有限；密集场景检测——如人群或货架上的物体存在严重重叠；开放世界检测——测试集中出现训练时未见过的类别；跨域迁移——模型在源域训练后在目标域上的性能下降；以及增量学习——在不遗忘旧类别的前提下学习新类别。

前沿方向包括：弱监督和零样本目标识别——减少对大量标注数据的依赖；视频目标识别——利用时序信息提升检测稳定性；3D目标识别——在点云或RGB-D数据中进行三维物体检测；多模态目标识别——融合语言描述和视觉特征的开放词汇检测（如GLIP和Grounding DINO）；以及轻量化目标识别——在移动设备和边缘计算环境中部署高效的检测模型。