可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。目标检测的一个实际应用场景就是无人驾驶。
目标检测算法可以分为两类：
一类是基于region proposal的R-CNN系列算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的。要先使用启发式方法（selective search）或者CNN网络（RPN）产生region proposal，然后再在region proposal上做分类与回归。精确度高，速度低。
另一类是YOLO，SSD这类one-stage算法，仅仅使用一个CNN网络直接预测不同目标的类别与位置。精确度低，速度快。
YOLO-V1
滑动窗口与CNN
采用滑动窗口的目标检测算法思路很简单，将检测问题转化为了图像分类问题。原理是采用不同大小和比例（宽高比）的窗口在整张图片上按照一定步长进行华东，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测。缺点是不知道要检测的目标大小，所以要设置不同大小和比例的窗口去滑动，还要采取合适的步长，这样会产生很多的子区域，并且都要经过分类器去做预测，这需要很大的计算量，所以你的分类器不能太复杂，因为要保证速度。解决思路之一就是减少要分类的子区域，这就是R-CNN的一个改进策略，其采用了selective search方法来找到最有可能包含目标的子区域（Region Proposal），其实可以看成采用启发式方法过滤掉很多子区域，这会提升效率。
如果用的是CNN分类器，滑动窗口非常耗时，使用全卷积方法，将网络中的卷积层代替全连接层。例如输入16x16图像经过一系列卷积操作得到2x2特征图，这个图上的每个元素与原图是一一对应的，相当于卷积核14x14，步长为2的卷积，产生4个字区域，输出通道数4，可看成4个类别的预测概率值，这样一次CNN计算就可以实现窗口滑动的所有子区域的分类预测，这就是overfeat算法的思路。这是因为卷积操作图片的空间位置信息的不变性，位置对应关系保存好了。这个思路也被R-CNN借鉴，诞生了Fast R-CNN。
尽管上面可以减少滑动窗口的计算量，但只是针对一个固定大小与步长的窗口，远远不够。YOLO算法很好的解决了这个问题，不再是窗口滑动，而是直接将原始图片分割成互补重合的小方块，然后通过卷积最后产生这样大小的特征图，特征图的每个元素也是对应原始图片的小方块，然后利用每个元素来预测那些中心点在该小方格内的目标。