目标检测技术的发展：从R-CNN、YOLO到DETR、DINO

最新推荐文章于 2025-02-28 18:03:12 发布
最新推荐文章于 2025-02-28 18:03:12 发布
阅读量1.8k 收藏 31
点赞数 24
分类专栏： 图像视觉 论文速递 文章标签： 人工智能 图像处理 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DeepAIedu/article/details/142659597
版权

“深度人工智能”是成都深度智谷科技旗下的人工智能教育机构订阅号，主要分享人工智能的基础知识、技术发展、学习经验等。此外，订阅号还为大家提供了人工智能的培训学习服务和人工智能证书的报考服务，欢迎大家前来咨询，实现自己的AI梦！

目标检测技术在过去十年间经历了显著的发展，从基于传统机器学习的方法逐步过渡到深度学习驱动的解决方案。在深度学习兴起之前，目标检测主要依靠人工设计的特征和机器学习算法。典型的方法包括：使用滑动窗口配合特征提取（如HOG特征）、SVM（支持向量机）AdaBoost等分类器、特征选择和组合（如Haar特征、LBP特征）等。

2012年，AlexNet在ImageNet竞赛中的胜利标志着深度学习在图像分类任务上的突破，这也促进了后续目标检测技术的发展。随后，深度学习开始在目标检测领域崭露头角，目标检测领域的技术发展经历了从基于卷积神经网络（CNN）的架构到基于Transformer架构的重要转变。最初的突破来自于基于CNN的模型，如R-CNN系列（包括R-CNN、Fast R-CNN和Faster R-CNN），这些模型通过引入区域提议网络（RPNs）和端到端的训练方式，大幅提升了目标检测的准确性。

图片

然而，这些模型在计算效率方面存在局限，特别是在实时应用中。随后，YOLO（You Only Look Once）系列模型的出现，以其一次性的检测方式和高效的性能，迅速成为实时目标检测的标准之一。YOLO模型通过直接从图像中预测边界框和类别概率，大大简化了检测流程，提高了速度，但早期版本在小目标检测和边界框精度上仍有不足。

随着深度学习技术的进步，基于Transformer架构的DETR（DEtection TRansformer）模型系列开始崭露头角。DETR利用了Transformer的强大序列建模能力，通过自注意力机制处理图像特征，理论上能够更好地捕捉全局上下文信息。

图片

尽管DETR在初始版本中表现出色，但由于其较长的训练时间和对小目标检测能力的限制，后续的研究者对其进行了多种改进。DINO（DETR with Improved deNoising AnchOr Boxes）系列模型通过改进去噪锚框机制、引入混合查询以及其他优化手段，提高了模型的收敛速度和检测性能，尤其在小目标检测方面取得了显著进步。

从CNN到Transformer的转变，不仅是网络架构的变化，更是对目标检测任务本质理解的深化。Transformer架构因其在处理长距离依赖关系上的优势，成为自然语言处理领域的主流架构，并逐渐渗透到计算机视觉领域，特别是在需要理解全局上下文的任务中展现出了强大潜力。此外，随着视觉和语言模型的融合加深，如Grounding DINO等模型的出现，未来的检测模型将更加注重跨模态的信息融合，以实现更灵活、更强大的视觉理解能力。

一

 

R-CNN（Region-based Convolutional Neural Networks）

1、R-CNN的发展历程

R-CNN（Region-based Convolutional Neural Networks）的发展史是目标检测领域的一个重要组成部分。R-CNN的演变体现了从传统的基于手工特征的目标检测方法向基于深度学习的方法转变的过程。下面是R-CNN及其衍生模型的发展历程概述：

（1）. R-CNN (2014)

R-CNN是由Ross Girshick等人提出的，它是首个将深度学习应用于目标检测的重要模型。R-CNN的主要特点包括：

  • 使用选择性搜索（Selective Search）来生成候选区域（Region Proposals）。

  • 对每个候选区域单独裁剪，并通过预先训练好的CNN提取固定大小的特征图。

  • 利用SVM进行分类，并通过线性回归修正边界框的位置。

R-CNN在当时达到了非常高的检测精度，但它也有明显的缺点，如训练和推断速度慢，因为每次检测都需要运行选择性搜索，并且分类和边界框回归需要额外的步骤。

图片

（2）. SPP-net (Spatial Pyramid Pooling Network, 2014)

为了解决R-CNN中重复计算的问题，何凯明等人提出了SPP-net。SPP-net引入了空间金字塔池化（Spatial Pyramid Pooling, SPP）层。

  • 允许输入图像的尺寸可以是任意。

  • 同时只在整张图像级别上运行一次CNN，减少了计算量。

图片

（3）. Fast R-CNN (2015)

Fast R-CNN进一步简化了R-CNN的流程，它将分类和边界框回归集成到了同一个网络中，共享卷积特征，大大加速了训练和推断速度。

  • 采用了RoI Pooling层，将不同大小的候选区域映射到固定大小的特征图上。

  • 将分类和边界框回归任务整合到一个多任务框架中。

图片

（4）. Faster R-CNN (2015)

Faster R-CNN是R-CNN系列中的一个重要里程碑，它引入了区域提议网络（Region Proposal Network, RPN），代替了外部的选择性搜索工具。

  • RPN是一个完全卷积网络，可以预测出一组候选区域及其对应的前景/背景概率。

  • RPN和Fast R-CNN共享卷积特征，进一步加速了检测过程。

图片

（5）. Mask R-CNN (2017)

Mask R-CNN是Faster R-CNN的一个扩展，它增加了第三个分支用于像素级的实例分割。

  • 在Faster R-CNN的基础上添加了一个用于生成分割掩码的分支。

  • 使得模型不仅能检测目标的位置和类别，还能生成每个目标的精确轮廓。

图片

2、R-CNN的核心技术

R-CNN系列模型（包括R-CNN、Fast R-CNN、Faster R-CNN等）在目标检测领域发挥着举足轻重的作用，它们通过一系列关键技术的革新，逐步解决了早期模型中存在的问题，推动了目标检测技术的发展。

最初的R-CNN（Region-based Convolutional Neural Networks）由Ross Girshick等人在2014年提出，它开创性地将深度学习技术应用于目标检测任务。R-CNN的核心技术之一是区域提议（Region Proposal），它使用选择性搜索（Selective Search）来生成候选区域。这些候选区域随后被裁剪并调整大小，以便输入到预先训练好的卷积神经网络（CNN）中提取特征。

图片

提取的特征被用于训练支持向量机（SVM）分类器，以对每个候选区域进行分类。此外，R-CNN还通过线性回归模型来调整边界框的位置，以更精确地匹配实际目标的位置。然而，R-CNN的多阶段处理方式导致了训练和推断速度较慢的问题，因为每个候选区域都需要单独处理，并且分类和边界框回归需要额外的步骤。

为了解决R-CNN存在的问题，Fast R-CNN在2015年应运而生。Fast R-CNN引入了RoI Pooling层（改进为RoI Align层），该层允许网络直接从候选区域提取特征，并将分类和边界框回归任务整合到一个多任务框架中。这意味着整个过程只需要一次卷积计算即可完成特征提取，从而大大提高了训练和检测的速度。Fast R-CNN不仅提高了效率，还在一定程度上改善了检测精度。

图片

紧接着，Faster R-CNN进一步优化了候选区域的生成过程。它引入了区域提议网络（Region Proposal Network, RPN），这是一个完全卷积网络，用来替代选择性搜索工具，实现候选区域的实时生成。RPN网络使用滑动窗口在特征图上生成候选区域，并通过softmax层预测每个区域是否包含目标。RPN与检测网络共享卷积特征，进一步提高了系统的效率。Faster R-CNN不仅继承了Fast R-CNN的优点，还在速度和精度之间找到了更好的平衡。

图片

随着R-CNN系列模型的发展，检测精度和速度得到了显著提升，同时也为后续的目标检测技术如YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）以及基于Transformer架构的DETR（DEtection TRansformer）等提供了重要的参考和发展方向。这些模型继续推动着目标检测技术的进步，使之在自动驾驶、安防监控、医疗诊断等多个领域得到广泛应用。

3、R-CNN存在的问题

R-CNN系列网络（包括R-CNN、Fast R-CNN、Faster R-CNN等）虽然在目标检测领域取得了显著的进步，但仍然存在一些固有的问题，这些问题限制了它们在某些特定应用中的表现。下面详细探讨这些问题：

（1）. 训练和推理速度慢

R-CNN：R-CNN需要为每个候选区域分别执行CNN特征提取，并且使用支持向量机（SVM）进行分类，这导致了非常高的计算成本。在实际应用中，每张图片可能产生数百个甚至上千个候选区域，这意味着每次检测都需要多次运行CNN，导致训练和推断速度极慢。

Fast R-CNN：虽然Fast R-CNN通过共享卷积特征和引入RoI Pooling层来简化流程，从而提高了处理速度，但仍然需要处理大量的候选区域。特别是当候选区域数量较多时，计算量仍然较大，这影响了实时性的应用。

（2）. 复杂的训练流程

R

最低0.47元/天 解锁文章
【深度学习】YOLO-World: Real-Time Open-Vocabulary Object Detection，目标检测
q742971636的博客
04-08 3201
YOLO-World是一种实时开放词汇目标检测系统，它通过视觉-语言建模和大规模数据集上的预训练，增强了YOLO（You Only Look Once）系列检测器的开放词汇检测能力。具体来说，该研究提出了一个新的可重新参数化的视-语路径聚合网络（RepVL-PAN）和区域-文本对比损失函数，以促进视觉和语言信息之间的交互。YOLO-World在零样本方式下检测广泛对象类别方面表现出色，并且效率很高。
百度 RT-DETR 算法原理解析 | 超越YOLO的目标检测新高度？
YOLOv8项目贡献者
09-22 1万+
详解百度RT-DETR
一文搞懂目标检测技术的发展历程: 从R-CNN到YOLO、DETR、DINO
SQingL的博客
10-12 4156
目标检测技术在过去的十几年中，从传统的方法逐步转变成基于深度学习驱动的方法。2012年，AlexNet在ImageNet竞赛中胜利，促进了目标检测技术的发展。目标检测领域的技术发展经历了从基于卷积神经网络（CNN）的架构到基于Transformer架构的重要转变。最初的突破来自于基于CNN的模型，如R-CNN系列（包括R-CNN、Fast R-CNN和Faster R-CNN），这些模型通过引入区域提议网络（RPNs）和端到端的训练方式，大幅提升了目标检测的准确性。
YOLO详解
UnknownPlayer的博客
06-04 9136
本文参考知乎 https://zhuanlan.zhihu.com/p/25236464 1. YOLO的创新点 YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。 从网络设计上，YOLO与two steps的目标检测方法如RCNN、Fast RCNN和Faster RCNN的区别如下： YOLO训练和检测均是在一个单独网...
YOLO入门指南
最新发布
2401_89793006的博客
02-28 721
YOLO（You Only Look Once）是一种实时目标检测算法，由Joseph Redmon等人提出。它采用了一种端到端的学习方法，通过一次网络前向传播即可同时预测图像中的物体类别和位置。通过系统地学习和实践，可以掌握YOLO这一目标检测算法的核心原理和技术实现。从安装配置到模型训练，再到实际应用部署，每一步都需要细致的操作与深入的理解。希望本指南能为你的YOLO学习之旅提供有益的指导！
目标检测yolo系列
Fantastic
10-11 1万+
出自科技猛兽知乎专栏，地址：科技猛兽目标检测专栏 前言 本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什么。我不会把YOLO的论文给你用软件翻译一遍，这样做毫无意义；也不会使用太专业晦涩的名词和表达，对于每一个新的概念都会解释得尽量通俗一些，目的是使得你能像看故事一样学习YOLO模型，我觉得这样的学习方式才是知乎博客的意义所在。 为了使本文尽量生动有趣，我用葫芦娃作为例子展示YOLO的过程(真的是尽力了。。。)。 葫芦娃 同时，会对
YOLO 超详细入门（含开源代码）——网络结构、细节、目标损失函数、优点
热门推荐
IanYue的博客
08-17 5万+
本文适用于目标检测之YOLO零基础入门。
yolo详解
复兴之矢
02-21 5329
作者：狗头山人七 链接：https://zhuanlan.zhihu.com/p/25045711 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 论文笔记：You Only Look Once: Unified, Real-Time Object Detection 评论：基于深度学习方法的一个特点就是实现端到端的检测。相对于其它目标检测与识别
DEYO: DETR with YOLO for End-to-End Object Detection论文翻译
qq_69854365的博客
03-07 2318
DETR的训练范式在很大程度上取决于在ImageNet数据集上预训练其骨干。然而，由图像分类任务和一对一匹配策略提供的有限监督信号导致DETR的预训练不充分的颈部。此外，在训练的早期阶段匹配的不稳定性会导致DETR的优化目标不一致。为了解决这些问题，我们设计了一种创新的培训方法，称为逐步培训。具体来说，在训练的第一阶段，我们采用一个经典的检测器，用一对多的匹配策略进行预训练，以初始化端到端检测器的主干和颈部。在训练的第二阶段，我们冻结了端到端检测器的主干和颈部，需要从头开始训练解码器。
极市平台 | 号称YOLO终结者？一探究竟RT-DETR
csdn_xmj的博客
10-16 1200
众所周知，实时目标检测(Real-Time Object Detection)一直被YOLO系列检测器统治着，YOLO版本更是炒到了v8，前两天百度飞桨的PaddleDetection团队发布了一个名为 RT-DETR 的检测器，宣告其推翻了YOLO对实时检测领域统治。论文标题很直接：《DETRs Beat YOLOs on Real-time Object Detection》，直译就是 RT-DETR在实时目标检测中击败YOLO家族！
YOLO算法详解
qq_45875106的博客
02-22 3万+
YOLO算法详解前言YOLOv1YOLOv2YOLOv3 前言 YOLO官网：https://github.com/pjreddie/darknet YOLO及You Only Look Once，是一种目标检测算法，目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别概率。目标检测领域的深度学习方法主要分为两大类（如图1）：两阶段式（Two-stage）目标检测算法和单阶段式（One-stage）目标检测算法。两阶段式是先由算法生成一系列候选边界框作为样本，然后再通过卷积神经网络分类
【YOLO模型】（1）--YOLO是什么
m0_74896766的博客
10-23 8640
本篇介绍了： 1. YOLO是一种基于深度学习的目标检测算法。注意，是一个回归问题！！ 2. 两种经典的检测方法：one-stage和two-stage。 1. one-stage：直接生成候选框，定位图像。 2. two-stage：先生成候选框标出所有的物体，然后找到目标物体。 3. 使用Map指标来评估YOLO算法的性能。
通俗易懂的YOLO系列（从V1到V5）模型解读！
小白学视觉
01-01 3万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达0 前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什...
YOLO系列算法
最白の白菜的博客
03-03 2万+
目录YOLO系列算法yolo算法Yolo算法思想Yolo的网络结构网络输入网络输出7X7网格30维向量Yolo模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batch normalization使用高分辨率图像微调分类模型采用Anchor Boxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快（Faster）识别对象更多yoloV3算法简介多尺度检测网络模型结构先验框logistic回归yoloV3模型的输入与输出yoloV4总结
一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
qq_45591302的博客
06-26 3万+
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
07 目标检测-YOLO的基本原理详解
qq_41946216的博客
09-07 1万+
YOLO是一种新的目标检测方法。以前的目标检测方法通过重新利用分类器来执行检测。与先前的方案不同，将目标检测看作回归问题从空间上定位边界框（bounding box）并预测该框的类别概率。使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。
卷积神经网络之Yolo详解
weixin_73012949的博客
11-14 4039
IoU用于衡量预测框与真实框的重叠程度，是目标检测中的基础评估指标。置信度反映了模型对于其预测框包含物体的信心。精确率衡量了预测为目标的框中，实际是目标的比例。召回率衡量了模型能够找到的真实目标的比例。精确率与召回率之间通常存在权衡，需要根据实际需求选择合适的指标。读到这里大家可能对tp tn fp fn仍有疑问，不要着急下面更详细的来了：在机器学习和目标检测中，TPFPTN和FN是用来衡量模型性能的四个基本概念，它们主要用于评估分类任务的准确性。
CNN目标检测（二）：YOLO
浩瀚之水的专栏
08-26 5352
↑↑↑↑目录在这里↑↑↑↑ 缩进YOLO全称You Only Look Once: Unified, Real-Time Object Detection，是在CVPR2016提出的一种目标检测算法，核心思想是将目标检测转化为回归问题求解，并基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。YOLO与Faster RCNN有以下区别： Faster
目标检测技术发展历程图
12-31
### 目标检测技术的历史与发展 目标检测作为计算机视觉的核心任务之一，在过去几十年经历了显著的进步。早期的目标检测主要依赖于手工设计的特征提取器和浅层分类器。 #### 1980s-1990s: 基础算法时期 在这个阶段，研究人员开始尝试基于几何形状、颜色直方图和其他简单特征的方法来进行对象识别。这些方法通常计算效率较低，并且对于复杂背景下的目标检测效果不佳。 #### 2000s初: Viola-Jones框架 Viola 和 Jones 提出了著名的AdaBoost级联分类器用于人脸检测的工作标志着一个重要转折点[^3]。该方法利用Haar-like 特征并结合Adaboost训练强分类器, 实现了实时的人脸检测功能。这不仅提高了速度而且增强了鲁棒性。 #### 2010年之后: 深度学习时代来临 随着GPU硬件性能提升以及大规模标注数据集（如ImageNet）的出现，深度神经网络逐渐成为主流。R-CNN系列模型开启了现代物体检测的新纪元： - **R-CNN (Region-based Convolutional Neural Networks)**: 首次引入区域建议的概念，先生成候选框再送入CNN做精确定位与分类。 - **Fast R-CNN**: 改进了原版R-CNN中的重复计算问题，使得整个流程更加高效。 - **Faster R-CNN**: 进一步优化了region proposal环节，采用Anchor机制自动生成高质量提议框，极大提升了处理速度。 近年来，YOLO(You Only Look Once), SSD(Single Shot MultiBox Detector)等单阶段(one-stage)探测器因其速度快而受到广泛关注；与此同时，多尺度融合、FPN(feature pyramid networks)等技术创新也不断涌现出来，旨在解决不同尺寸下尤其是小物件的有效捕捉难题[^1]。 此外，在特定应用场景方面，比如伪装目标检测(COD)，也有着针对性的技术演进路线。通过对大量相关研究工作的总结分析发现，尽管取得了诸多成就但仍存在不少亟待克服的问题，例如如何更好地适应遮挡情况或是极端光照条件的影响等问题[^2]。 ```mermaid graph TB; A[1980s-1990s 手工特征] --> B[VJ Framework]; B --> C[R-CNN]; C --> D[Fast R-CNN]; D --> E[Faster R-CNN]; E --> F[Yolo/SSD]; F --> G[CUSTOM DETECTION TASKS 如 COD]; ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值