一、目标学习的检测方法变迁及对比
“目标检测“是当前计算机视觉和机器学习领域的研究热点。从Viola-Jones Detector、DPM等冷兵器时代的智慧到当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学，整个目标检测的发展可谓是计算机视觉领域的一部浓缩史。整个目标检测的发展历程已经总结在了下图中： 
可以看出，在2012年之前，在目标检测领域还是以传统手工特征的检测算法为主，但是随着卷积神经网络(CNN)在2012年的兴起，目标检测开始了在深度学习下的暴力美学。在深度学习下，目标检测的效果比传统手工特征效果好太多。直至今日，基于深度学习的检测算法依然是目标检测的主流。
二、深度学习目标检测算法基本流程
流程一：
给定一张待检测图片，将这张图片作为检测算法的输入，然后对图片采用滑动窗口方式进行进行候选框的提取，然后对每个候选框中的图像进行特征提取（特征的提取主要基于前面的前置知识中介绍方式提取），并用分类器进行特征分类的判定，得到一系列的当前检测目标的候选框，这些候选框可能存在重叠的状况，此时使用非极大值抑制算法NMS对候选框进行合并或过滤，得到的最后的候选框就是最终的检测目标即输出结果。
流程二：
给定一张图片作为输入，采用特征提取+目标框回归的方法来进行目标区域的提取，最后同样利用NMS进行候选框的合并，最终得到目标输出结果。
注意：
- 流程一：适用于传统的目标检测方法和基于深度学习的目标检测方法
- 流程二：适用于基于深度学习的目标检测方法
三、传统目标检测算法VS深度学习目标检测算法
| 传统目标检测算法 | 深度学习目标检测算法 |
| 手动设计特征 | 深度网络学习特征 |
| 滑动窗口 | Proposal或者直接回归 |
| 传统分类器 | 深度网络 |
| 多步骤 | 端到端 |
| 准确度和实时性差 | 准确度高和实时性好 |
