目标检测（Object Detection）是计算机视觉（Computer Vision，CV）领域的一个热门方向，广泛应用于自动驾驶，工业检测，视频监控及航空航天等领域，其基本流程是在给定图像中找到关注目标，确定目标类别并输出相应的坐标位置（常使用矩形框）。
图像分类、目标检测、分割是计算机视觉领域的三大任务
图 图像理解的三个层次
1.分类（Classification），对输入的图像进行描述，从已有的类标签集合中找出最符合的标签分配给该图像。分类虽然是最简单、最基础的图像理解任务，但却为其他复杂任务奠定了基础。
2.检测（Detection），相对于分类任务关心整体，给出整幅图像的内容描述，检测更加关注目标，需要同时获得目标的类别及位置信息（Classification+Localization）。
3.分割（Segmentation），分割包括语义分割（Semantic Segmentation）和实例分割（Instance Segmentation），前者是对前背景分离任务的拓展，要求将图中每一点像素标注为某个物体类别，同一物体的不同实例不需要单独分割； 而后者是检测任务的拓展，是目标检测+语义分割的综合体，要求精确到物体的边缘（相比目标识别框更为精细），相比语义分割，实例分割可以标注出图像中的不同个体。
图 语义分割与实例分割对比
图像分类是将图像划分为单个类别（一般对应特征最为明显的物体），但现实世界中的大部分图像通常包含不只一个物体，如果强行使用分类模型进行分类，得到的结果也并不一定准确。诸如此类的情况，就需要使用目标检测算法，目前学术和工业界主要将目标检测算法分成三类：
1.传统的目标检测框架
（1）候选区域选择（滑动窗口、选择性搜索等）；
（2）对不同的候选区域进行特征提取（SIFT、HOG等）；
（3）使用分类器进行分类（SVM、Adaboost等）。
2.基于深度学习的Two Stages目标检测框架（准确度有优势）
此类算法将检测问题分为两个阶段，第一阶段生成大量可能含有目标的候选区域（Region Proposal），并附加大概的位置信息；第二个阶段对其进行分类，选出包含目标的候选区域并对其位置进行修正（常使用R-CNN、Fast R-CNN、Faster R-CNN等算法）。
3.基于深度学习的One Stage目标检测框架（速度有优势）
此类检测算法属于端到端（End-to-End），不需要生成大量候选区域的阶段，而是将问题转化为回归（Regression）问题处理，使用完整图像作为输入，直接在图像的多个位置上回归出该位置的目标边框及所属类别（常使用Yolo、SSD、CornerNet等算法）。
常用指标
1…mAP（mean Average Presion）
在多类别检测中，每个类别都有一个0~1之间的数值，用来衡量模型的performance，取所有类别的AP平均值就是mAP（相同数据集下，mAP值越大越好）。
2.FPS（每秒传输帧数，Frames Per Second）
用于评判系统速度，FPS越高，实时性越好。
总结
未来的工作主要集中在准确度与速度的博弈之中。
各种目标检测算法的详细介绍请参考我的其他文章。