1. Two-stage 目标检测算法
Two-stage 目标检测算法将目标检测问题划分为两个阶段：第一阶段是产生一系列稀疏的候选区域，第二阶段是对这些候选区域进行分类和回归。R-CNN ${ }^{[32]}$ 是 Two-stage 目标检测算法的开山之作，它利用 Selective Search $\left.{ }^{[33}\right]$ 算法从图像中提取出大约 2000 个候选区域，然后利用卷积神经网络 (Convolutional Neural Network, CNN) 对每个候选区域提取特征，最后利用支持向量机 (Support Vector Machine, SVM) 对每个候选区域进行分类，并利用边界框回归（Bounding Box Regression）对候选区域的位置进行微调。
虽然 R-CNN 在 PASCAL VOC 数据集上取得了很好的效果，但是其训练和测试过程非常耗时。为了解决这个问题，He 等人提出了 SPP-net ${ }^{[34]}$, 它利用空间金字塔池化 (Spatial Pyramid Pooling, SPP) 层代替全连接层, 使得网络可以接受任意尺寸的输入图像, 从而避免了重复计算卷积特征。Girshick 等人在 SPP-net 的基础上提出了 Fast R-CNN ${ }^{[35]}$, 它将 ROI Pooling 层引入到网络中, 使得网络可以直接输出分类和回归结果, 从而进一步提高了检测速度。
Fast R-CNN 虽然提高了检测速度, 但是其仍然依赖于 Selective Search 算法来产生候选区域, 而 Selective Search 算法的计算复杂度较高。为了解决这个问题, Ren 等人提出了 Faster R-CNN ${ }^{[36]}$, 它利用区域生成网络 (Region Proposal Network, RPN) 来代替 Selective Search 算法, 从而进一步提高了检测速度。Faster R-CNN 在 PASCAL VOC 2007 数据集上的 mAP 达到了 $73.2 \%$, 在 COCO 数据集上的 mAP 达到了 $36.2 \%$ 。
除了上述提到的算法外, 还有许多其他的 Two-stage 目标检测算法, 如 ION ${ }^{[37]}$ 、 TDM ${ }^{[38]}$ 、 FPN ${ }^{[39]}$ 、 Mask R-CNN ${ }^{[40]}$ 等。这些算法在 Faster R-CNN 的基础上进行了改进, 进一步提高了检测精度和速度。
2. One-stage 目标检测算法