相比与传统检测方法，基于深度学习的目标检测算法其优势在于无需进行人工的特征设计、良好的特征表达能力以及优良的检测精度。

基于深度学习的目标检测算法分类

依据设计思想，主要分为两种：基于区域提名的目标检测算法（二阶检测算法）和基于端到端（end-to-end)的学习的目标检测算法（一阶检测算法）。

二阶段检测算法：第一步：生成可能包含物体的候选区域（Region Proposal），第二步：对候选区域做进一步的分类和校准，得到最终的检测结果。代表是：R-CNN，SPPNet，Fast R-CNN, Faster R-CNN.

一阶段检测算法：直接给出最终结果，没有生成候选区域的步骤。yolo，SSD

下面这个图，我觉得特别棒，对于目前各种先进算法的基本思想区别一目了然。

基于区域提名的目标检测算法

R-CNN综述：

该算法主要包括区域提名、归一化处理、特征提取、分类及回归等步骤。

**第一步：**先通过选择性搜索算法（Selective Search）生成候选区域（Proposal)。

        这个算法的思想是：可能存在物体的区域应该具有某种相似性或连续性的区域。所以，第一步，它首先用分割算法将图像分割成很多小的区域，这些区域为最基础的子区域，然后根据这些区域之间相似性进行区域合并，衡量相似性的标准可以是颜色、纹理和大小等。不断叠加这种小区域，直到全部合并到一块，然后给每个区域做一个外切的矩形，就得到了可能是物体的区域方框。

第二步：将候选区域进行尺度归一化。

强制将这些候选区域放大到同一个尺寸，因为在下一步中我们通过卷积神经网络提取出来的特征，R-CNN采用的是使用多个SVM进行对这些特征分类。所以对于卷积神经网络，我们必须要求输出的向量维度一样，这样SVM才可以进行分类。为了保证输出维度相同，卷积神经网络的输入图片大小需要一致。

第三步：使用CNN网络提取候选区域的目标特征表达，之后还级联一个全连接层。输入一个高维向量，使用SVM进行物体的分类，这样就检测出这个物体，并会预测出这个物体属于这个类型的概率。

第四步：检测出物体以后，需要对物体画边框，由于我们第一步已经有了候选区域的边框，但是这个边框并不够好，我们还要根据训练数据中标记的框去校正第一步生成的框。

端到端的学习目标检测算法

yolo综述：

该算法基于一个单独的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。不需要像二阶算法显示地求region proposal。同时yolo将物体检测作为一个回归问题进行求解，输入图像经过一次inference，便可以得到图像中所有物体的位置和其所属类别及相应的置信率。