【目标检测】目标检测技术发展的综述

目标检测是计算机视觉领域的核心任务之一，旨在定位和识别图像中特定对象的位置及类别。自20世纪90年代至今，其发展经历了从传统算法到深度学习方法的重大跨越。以下是对目标检测技术发展的综述：

---

一、传统方法阶段（2012年前）

在深度学习兴起之前，目标检测主要依赖人工设计特征和分类器的组合：

1. ​Viola-Jones检测器（2001）​
   基于Haar特征和级联分类器，专为实时人脸检测设计。缺点是通用性差，仅适用于固定场景。
2. ​HOG（方向梯度直方图）+ SVM（2005）​
   Dalal等人提出的HOG特征结合SVM分类器，被广泛用于行人检测，但特征表达能力有限。
3. ​DPM（可变形部件模型，2008）​
   通过分部件建模和图像金字塔处理多尺度目标，曾在PASCAL VOC竞赛中表现优异，但复杂度高、速度慢。

传统方法的局限：依赖人工特征、难以处理复杂场景、泛化能力弱。

---

二、深度学习两阶段方法（2012-2016）

2012年AlexNet的突破催生了基于深度学习的目标检测