第7篇 目标检测（上）：两阶段检测范式的技术演进

在上一模块中，我们拆解了机器视觉的核心引擎——卷积神经网络（CNN）。通过卷积、池化等操作，CNN能够将一张复杂的照片逐步抽象为高级特征，最终回答“图里有什么”这一问题，例如判定“这是一只猫”。这一任务在学术界被称为图像分类（Image Classification）。

然而在现实世界中，仅仅知道“有什么”往往远远不够。

设想你正在开发一套自动驾驶系统。车辆行驶在繁忙的十字路口，摄像头拍到一张包含行人、车辆、交通灯的复杂画面。如果系统只能输出“前方有人、有车”，这辆车大概率是不敢上路的——因为它不知道这些目标具体位于画面何处，也不知道它们占据多大范围。那名行人是在安全的人行道上，还是已经突然冲到马路中央？前方那辆车是在本车道正常行驶，还是正在强行变道？

要回答这些问题，视觉系统不仅需要“看懂”，还需要把目标“揪出来”。这正是计算机视觉中更具挑战性、也更具实用价值的核心任务——目标检测（Object Detection）。笔者在IT行业从业三十余年，亲历了从早期票据OCR识别到后来智慧城市安防监控的技术变迁，深知只有当AI具备精准“定位”能力，它才能真正走出实验室，成为赋能千行百业的生产力工具。

本文就来聊聊目标检测的开山之作，以及那个第一次将深度学习成功引入检测领域、并开启一段技术进化史的经典范式——两阶段检测家族。

一、从“看懂”到“揪出来”：目标检测的本质挑战

目标检测的任务定义非常明确：给定一张图像，找出其中所有感兴趣的物体（如人、车、猫、狗），用矩形框（Bounding Box）逐一精准框出，同时标明每个框内物体的类别及置信度。

• 分类：回答 What（是什么）。
• 检测：回答 What + Where（是什么 + 在哪里）。

“Where”这一维度的加入，使问题难度呈指数级上升。

1.1 为什么这么难？

根本原因在于物体的位置与尺度具有高度不确定性。同一只猫，可能出现在图像左上角，也可能在右下角；它可能是一只占据半幅画面的大猫，也可能是一只远处仅有硬币大小的小猫。

如果采用最朴素的思路，可以这样做：

滑动窗口（Sliding Window）：设计一个固定大小的窗口，在图像上从左到右、从上到下滑动；每滑到一个位置，就把窗口内的子图送入CNN分类，判断是否为猫。

这一方案的问题立刻显现：猫的尺度不固定。若只用小窗口滑动，大猫会被漏检；若只用大窗口滑动，小猫又会被漏检。若为覆盖所有尺度而枚举多种窗口尺寸，计算量将随窗口数量与位置数量相乘而急剧膨胀，工程上难以承受。此外，窗口裁剪会割裂目标的完整上下文，分类器看到的往往是残缺的局部，精度也会受损。

由此可见，两阶段检测范式的核心洞察正是：与其穷举所有位置去“找目标”，不如先低成本地生成少量“可能包含目标”的候选区域，再对候选区域做精细判别与位置修正。 这一“先粗筛、后精修”的思想，构成了后续技术演进的骨架。

二、候选区域：把“穷举”变成“提议”

两阶段方法的第一步，是引入区域提议（Region Proposal） 机制。其目标是在整幅图像上快速生成一批候选框，每个框附带一个“像不像目标”的粗略分数，从而把后续精细处理的计算量集中到少量高潜力区域上。

经典的区域提议思路通常基于图像的低层视觉线索，例如：

• 颜色与纹理的一致性：同一物体的相邻像素在颜色、纹理上往往具有连续性；
• 边缘与轮廓：物体边界通常对应显著的梯度变化；
• 区域合并策略：先过分割成大量小区域，再依据相似度逐步合并，形成不同尺度的候选框。

这类方法不依赖深度网络，速度较快，且能覆盖多尺度目标，因而适合作为“粗筛”环节。其输出通常是每张图像数百到数千个候选框，数量远小于全图滑动窗口的枚举规模。

工程权衡点：候选框数量是关键超参数。数量太少会漏掉真实目标（召回率不足），数量太多则后续精细处理开销过大。实践中需要在召回率与计算成本之间做平衡，这也为后续“让网络自己学习提议”的演进埋下伏笔。

三、两阶段流程：特征提取、分类与回归的解耦

在获得候选区域后，两阶段检测的标准流程可以概括为三个环节：

1. 候选框生成：由区域提议模块输出一批可能包含目标的矩形框；
2. 特征提取：将每个候选框对应的图像区域调整为统一尺寸，送入CNN提取高层特征；
3. 分类与位置回归：基于特征完成两件事——判定类别（分类头），以及微调框的位置与尺寸（回归头）。

用伪代码描述这一流程的骨架如下：

# 两阶段检测的抽象流程（示意）
proposals = region_proposal(image)          # 输出 N 个候选框
for box in proposals:
    patch = crop_and_resize(image, box)     # 裁剪并缩放到固定尺寸
    feat  = cnn_backbone(patch)             # 提取高层特征
    cls   = classify_head(feat)             # 类别 + 置信度
    delta = regress_head(feat)              # 框位置/尺寸修正量
    box   = apply_delta(box, delta)         # 修正候选框
results = non_max_suppression(cls, boxes)   # 去除重复框

这里有几个值得注意的设计要点：

• 分类与回归共享特征：两个任务共用同一份CNN特征，既节省计算，也形成多任务学习的相互促进——分类需要语义判别力，回归需要位置敏感性，二者共享底层表示有助于泛化。
• 位置回归的必要性：候选框来自粗筛，与真实框必然存在偏差。回归头不直接预测绝对坐标，而是预测相对候选框的修正量（偏移与缩放），这使学习目标更稳定、更易优化。
• 非极大值抑制（NMS）：同一目标常被多个候选框覆盖，NMS通过比较置信度并抑制高重叠框，输出最终结果。其阈值设置直接影响密集场景下的漏检与误检平衡。

四、演进主线：从独立模块到共享计算与端到端

两阶段范式的演进，本质上围绕三条主线展开。

4.1 主线一：共享计算，消除重复特征提取

早期实现中，每个候选框都要单独过一次CNN，数千个候选框意味着数千次前向计算，效率极低。改进思路是：先对整幅图像做一次卷积特征提取，再让候选框在特征图上“取特征”。由于卷积特征图与原始图像存在空间对应关系，候选框可以按比例映射到特征图上，通过感兴趣区域池化（ROI Pooling）等操作抽取固定尺寸的特征向量。

这一改动将特征提取次数从“候选框数量级”降为“整图一次”，是两阶段方法走向实用的关键一步。随之而来的新问题是：ROI池化涉及量化取整，会引入位置误差，后续工作通过更精细的采样对齐方式加以缓解。

4.2 主线二：让提议本身也可学习

手工区域提议依赖低层线索，在复杂场景下召回率有限，且无法与后续检测网络联合优化。演进方向是将提议生成也交给网络：在共享特征图上，以密集锚点（Anchor）为基础，直接预测“该位置是否存在目标”以及“框的相对偏移”。锚点机制通过预设多种尺度与长宽比的参考框，把多尺度问题转化为“相对参考框的修正”问题，显著提升了多尺度目标的覆盖能力。

由此，提议、特征、分类、回归全部建立在同一套卷积特征之上，整个流程可以端到端训练，各环节的表示相互适配。

4.3 主线三：训练目标与工程细节的完善

两阶段检测的训练涉及多任务损失：分类损失（如交叉熵）与回归损失（如平滑L1）需要合理加权；正负样本的划分依赖与真实框的重叠度阈值；候选框采样需要控制正负比例以缓解类别不平衡。此外，训练流程通常采用分阶段策略——先训练提议环节，再训练检测头，或采用近似联合优化——以兼顾稳定性与效率。

这些细节看似琐碎，却直接决定模型能否收敛到高精度。工程实践中，阈值设定、采样比例、损失权重往往需要结合具体数据分布反复调优。

五、两阶段范式的优势与局限

优势主要体现在：

• 精度上限高：粗筛与精修分离，使分类头可以专注于高质量候选区域，位置回归也有明确的修正起点；
• 多尺度适应性强：锚点机制与特征金字塔类结构配合，可覆盖尺度差异极大的目标；
• 结构可解释、易拆解：各环节职责清晰，便于定位问题与分模块优化。

局限同样明显：

• 速度瓶颈：尽管共享计算大幅降低了开销，但“提议—逐区域处理”的串行结构仍难以满足极低延迟场景；
• 流程复杂度高：多任务损失、样本采样、阈值设定带来较多调参负担；
• 密集场景挑战：高度重叠目标的候选框抑制与回归精度仍需精细设计。

这也就解释了为何后续会出现单阶段检测范式——以牺牲部分精度为代价换取速度，以及为何两阶段方法自身仍在持续吸收单阶段的高效设计。两条技术路线并非替代关系，而是在不同业务约束下各有适用区间。

六、小结

两阶段检测范式的技术贡献，不在于某一个模块的巧妙，而在于它确立了“候选区域 + 区域级判别与回归”这一可扩展的问题分解框架。围绕这一框架，共享卷积计算、锚点提议、端到端训练等改进依次落地，使深度学习真正具备了精准定位的能力，也为后续检测技术的持续演进提供了清晰的起点。理解这条演进主线，比记住某一代结构更重要——因为工程选型的本质，始终是在精度、速度与实现复杂度之间做出与业务匹配的权衡。