图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研 究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐 成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和 anchor-free 方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优 势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。
引言
计算机视觉（computer vision）是人工智能 （artificial intelligence，AI）的关键领域之一，是 一门研究如何使机器“看”的科学。图像目标检 测又是计算机视觉的关键任务，主要对图像或视 频中的物体进行识别和定位，是 AI 后续应用的基 础。因此，检测性能的好坏直接影响到后续目标 追踪[1-2]、动作识别[3-4]的性能。传统图像目标检测的滑窗法虽然简单易于理 解，但随目标大小而变化的窗口对图像进行从左 至右、从上至下的全局搜索导致效率低下。为了 在滑动窗口检测器的基础上提高搜索速度， Uijlings 等[5]提出了选择性搜索方法（selective search method），该方法的主要观点是图像中的 目标存在的区域具有相似性和连续性，基于这一 想法采用子区域合并的方式进行候选区域的提取 从而确定目标。Girshick 等[6]提出的基于区域的卷 积神经网络（region-based convolutional neural network，R-CNN）就是采用了选择性搜索方法提 取候选区域，进而越来越多的学者在不断改进确 定目标的方法的基础上提出新的检测模型。
本文首先介绍了图像目标检测模型中常用的 卷积神经网络；然后，重点从候选区域、回归和 anchor-free 方法等角度对现有的图像目标检测模 型进行综述；最后，根据在公共数据集上的检 测结果分析模型的优势和缺点，总结了现有图 像目标检测研究中存在的问题并对未来发展做 出展望。
基于深度学习的图像目标检测模型
本节将介绍近几年提出的基于候选区域、回 归和 anchor-free 的图像目标检测模型，总结各模 型相比之前模型的改进策略以及自身的创新点和 不足，并在 PASCAL VOC2007[17] 、 PASCAL VOC2012[17]和 MS COCO[18]等常用公共数据集上 做出比较。
基于候选区域的图像目标检测模型
R-CNN 图像目标检测模型是 Girshick 等[6]于 2013 年提出的，它是候选区域和卷积神经网络这 一框架的开山之作，也是第一个可以真正应用于 工业级图像目标检测的解决方案，为基于 CNN 图 像目标检测的发展奠定了基础。网络结构如图 2 所示。R-CNN 首先使用选择性搜索方法从输入的 图像中提取出 2 000 个候选区域，使用剪裁[9]和变 形[19]的方法将候选区域的尺寸固定为 277×277 以 适应全连接层的输入，通过 CNN 前向传播对每个 候选区域进行特征计算；然后将每个候选区域的 特征向量送入特定线性分类器中进行分类和预测 概率值；最后使用非极大值抑制（non-maximum suppression，NMS）[20]算法消除多余的目标框， 找到目标的最佳预测位置。
R-CNN 图像目标检测模型虽然将 mAP（mean average precision，平均精度值）[17]在 VOC2007 和 VOC2012 数据集上分别达到了 58.5% 和 53.3%，在基于深度学习的图像目标检测领域取得 了重大突破，但由于其输入图像经过剪裁和变形 后会导致信息丢失和位置信息扭曲，从而影响识 别精度，并且 R-CNN 需要对每张图片中的上千个 变形后的区域反复调用 CNN，所以特征计算非常 耗时，速度较慢。基于 R-CNN 需固定输入图像尺寸以及检测 速度较慢的缺点，2014年He等[21]提出了SPP-Net， 该模型先是计算整个输入图像的卷积特征图，根 据选择性搜索方法提取候选区域，通过对特征图 上与候选区域相对应位置的窗口使用金字塔池化 （spatial pyramid pooling，SPP）可以得到一个固定 大小的输出，即全连接层的输入。与 R-CNN 相比， SPP-Net 避免了反复使用 CNN 计算卷积特征，在 无须对输入图像进行剪裁和变形的情况下实现了 多尺度输入卷积计算，保留了图像的底层信息， 在VOC2007数据集上测试时 mAP达到了59.2％， 在达到相同或更好的性能前提下，比 R-CNN 模型 快 24~102 倍。虽然 R-CNN 和 SPP-Net 在 VOC2007 数据集 上都获得了很高的精度，但两者将分类和回归分 为多阶段进行，使得网络占用了较多的硬件资源。2015 年 Girshick 等[22]提出了一种快速的基于区域 的卷积网络模型（fast R-CNN）。该网络首先用 选择性搜索方法提取候选区域，将归一化到统一 格式的图片输入 CNN 进行卷积计算，然后借鉴了 SPP-Net 中金字塔池化的思想，用最大值池化层 ROI pooling 将卷积特征变成固定大小的 ROI 特征 输入全连接层进行目标分类和位置回归。该网络 采用多任务训练模式，用 softmax 替代 SVM （support vector machine，支持向量机）[23]进行分 类，将分类和回归加入网络同时训练，在末尾采用可同时输出分类和回归结果的并行全连接层。fast R-CNN 减少了硬件缓存，提高了检测速度， 初步实现了端对端的图像目标检测，并且在 VOC2007 和 VOC2012 数据集上的 mAP 分别为 66.9％和 66.0％。
由于 fast R-CNN 无法满足实时检测的需求， Ren 等[24]提出了改进模型 faster R-CNN。该网络 的最大创新就是提出了区域提议网络（region proposal network，RPN），即在基础卷积网络提 取输入图像特征的基础上用 RPN 代替 fast R-CNN 中的选择性搜索方法进行候选区域的提取。RPN 是一个全卷积网络，网络结构如图 3 所示，该网 络可以同时在每个位置上预测出目标边界和目标 概率并产生高质量候选区域，然后通过 ROI pooling将卷积特征变成固定大小的ROI特征输入 全连接层进行目标分类和位置回归。RPN 和 fast R-CNN通过四步交替训练法使两个网络共享卷积 特征合并为单一网络，解决了区域计算的瓶颈问 题，在实现真正端对端训练模式的基础上满足了 实时应用的需求[23]。
2017 年 He 等[25]提出了 mask R-CNN 目标检 测模型，该模型以faster R-CNN为原型，即在faster R-CNN 中生成的候选区域中融入 FCN（fully convolutional network，全卷积神经网络）[26]作为 新的支路用于生成每个候选区域的掩膜，同时把 faster R-CNN 中 RoI pooling 修改成为了 ROI align 用于处理掩膜与原图中物体不对齐的问题。Mask R-CNN 在训练时可以同时生成目标边界、目标概 率和掩膜，但在预测时通过将目标边界和目标概 率的结果输入掩膜预测中以生成最后的掩膜，该 方法减弱了类别间的竞争优势，从而达到了更好 的效果，在 MS COCO 数据集上的 mAP 测试结果 达到 35.7%。
基于回归的图像目标检测模型
YOLO 及扩展模型
检测精度和检测速度是评判图像目标检测模 型好坏的重要标准[27]。基于候选区域的图像目标 检测模型，虽然在检测精度方面首屈一指，但是 它检测图像的效率低是其主要弊端。2016 年 Redmon 等[28]提出 YOLO（you only look once）检 测模型，该模型将图像目标检测抽象为回归问题， 通过对完整图片的一次检测就直接预测出感兴趣 目标的边界框和类别，避免了 R-CNN 系列中将检 测任务分两步进行的烦琐操作，解决了之前图 像目标检测模型检测效率低的问题。检测网络 将输入的图片分成 s×s 个网格，如图 4 所示，各 网格只负责检测中心落在该网格的目标，预测 出网格的类别信息以及多个边界框和各个边界 框的置信度，通过设定阈值过滤掉置信度较低 的边界框，然后对保留的边界框进行 NMS 处理 以确定最终的检测结果。YOLO 以回归替代了 之前图像目标检测模型的候选区域方法，在满足 实时需求的基础上检测速度达到 45 f/s，但由于 YOLO 在检测过程中仅选择置信度最高的边界框 作为最终的输出，即每个网格最多只检测出一个 物体，因此 YOLO 在检测紧邻群体目标或小目标 时效果不佳，在 VOC2007 上的 mAP 也仅有 66.4%。针对 YOLO 在目标定位方面不够准确的问 题，2017 年 Redmon 等[29]提出了 YOLO 的扩展模 型 YOLOv2 和 YOLO9000。YOLOv2 首先在卷积 层中添加批量归一化（batch normalization，BN）[30]技术使得模型的收敛性有显著的提升，然后借鉴 faster R-CNN 的思想用聚类方法产生的锚框替代 了 YOLO 中预测出的边界框，最后通过输入更高 的分辨率图像并对其进行迁移学习[31]从而提升网 络对高分辨率图像的响应能力，训练过程中无须 固定图像的尺寸，因此在一定程度上提升了网络 的泛化能力。除此之外 YOLOv2 还提出将一个由 19 个卷积层和 5 个 MaxPooling 层构成的 Darknet-19[28]网络作为骨干网进一步提升检测速 度。而 YOLO9000 则是在 YOLOv2 的基础上提出 了目标分类和检测的联合训练方法，使 YOLOv2 的检测种类扩充到 9 000 种。2017 年 Redmon 等[32] 提出了 YOLOv3 检测模型，它借鉴了残差网络结 构，形成网络层次更深的 Darknet-53，通过特征 融合的方式采用 3 个不同尺度的特征图进行目标 检测，并且用 logistic 代替 softmax 进行类别预测 实现了多标签目标检测，该网络不仅提升了小目 标检测效果，在边界框预测不严格并且检测精度 相当的情况下检测速度是其他模型的 3~４倍。
SSD 及扩展模型
2016 年 Liu 等[33]提出 SSD 图像目标检测模 型，该模型彻底淘汰了生成候选区域和特征重采 样阶段，选择将所有计算封装在单个深层神经网 络中，网络结构如图 5 所示。SSD 网络继承了 YOLO 中将目标检测问题抽象为回归问题的思 想，采用特征金字塔的方式进行检测，即利用不 同卷积层产生不同的特征图，使用一个小的卷积 滤波器来预测特征图上一组固定的默认边界框类 别和位置偏移量。为了实现较高的检测精度，在 不同尺度的特征图中进行不同尺度的预测，并设 置不同长宽比的边界框进行分离预测。由于图 像中的目标具有随机性，大小不一，所以小目 标的检测是由 SSD 使用底层特征图来实现的， 大目标的检测是由 SSD 使用高层特征图来实现 的，相对于 YOLO 精确度大幅度提高，并且效 率也有所提升。2017 年 Fu 等[34]提出 DSSD 检测模型，即将 Resnet-101 作为 SSD 的骨干网，在分类回归之前 引入残差模块，并且在原本 SSD 添加的辅助卷积 之后又添加了反卷积层，与 SSD 相比，DSSD 在 小目标的检测精度上有了很大的提升，但 Resnet-101 网络太深导致 DSSD 的检测速度相比 SSD 较慢。2017 年 Jisoo 等[35]在未改动 SSD 主干网络的基础上提出了 RSSD（rainbow SSD）检测 模型，该网络同时采用池化和反卷积的方式进行 特征融合，不仅增强了不同特征层之间的关系， 由于融合后的特征大小相同，还一定程度上增加 了不同层的特征个数。这种特征融合方式解决了 SSD 存在的重复框的问题，同时提升了对小目标 的检测效果，但与 SSD 相比检测速度较慢。2017 年 Li 等[36]提出了 FSSD，该模型通过重构一组金字 塔特征图充分融合了不同层不同尺度的特征，在 保证检测速度与 SSD 相当的同时使得检测精度有 了明显的提升。2019 年 Yi 等[37]借鉴注意力机制[38] 的思想在 SSD 检测模型中设计了一个注意力模 块，该注意力模块基于全局特征关系可以分析出 不同位置特征的重要性，从而达到在网络中突出 有用信息和抑制无用信息的效果，ASSD[37]检测精 度提高，但与 SSD 相比，检测速度较慢。
基于 anchor-free 的图像目标检测模型
图像目标检测发展日新月异，越来越多优秀 目标检测模型陆续被提出，基于候选区域和回归 方法的检测模型目前发展稳定并且成熟，而基于 anchor-free 的检测模型是当下目标检测领域中新 的热门研究方向，anchor-free 检测模型有两种， 分别为基于关键点的检测和基于分类和回归进行 改进的检测。
基于关键点的检测
2018 年 Law[42]受到 Newell 等在姿态估计[43-46] 中的关联嵌入的启发提出了 CornerNet，这是一种 新型的图像目标检测方法。CornerNet 将一个目标 检测为一对关键点，即目标边界框的左上角点和 右下角点，是第一个将图像目标检测任务表述为 利用嵌入角点进行分组和检测任务的模型，开启 了基于关键点的目标检测方法的大门。CornerNet 首先使用沙漏网络[15]作为其骨干网络输出最后一 层卷积特征，骨干网后接两个分支模块，分别进 行左上角点预测和右下角点预测，每个分支模块 包含一个 Corner pooling（角池化）和 3 个输出， 网络结构如图 7 所示。heatmaps（热图）输出的 是预测角点的位置信息，当图像中出现多个目标时，embeddings（嵌入）根据左上角点和右下角 点嵌入向量之间的距离对属于同一目标的一对角 点进行分组；offsets（误差）是输出从图像到特征 图的量化误差，用来对预测框进行微调。
当角点在目标之外时，此时获取的信息不足 以进行当前的定位，为了能够更好地定位边界框 的角点，Law 等[42]介绍了一种新型池化层—角池 化层，该池化层包含两个特征图，在每个像素位 置，它将第一个特征图下侧的所有特征向量和第 二个特征图右方的所有特征向量最大化，然后将 两个合并后的结果相加输出最后的角点。CornerNet 极大地简化了网络的输出，彻底消除了 图像目标检测对候选区域和候选框的需要，在 MS COCO 上实现了 42.1％的 mAP，但当 CornerNet 将边界框的角点定位在物体之外时目标的局部 特征表现不强烈，并且在判断两个角点是否属 于同一目标时，由于缺乏全局信息的辅助导致 匹配角点时产生错误目标框，因此存在一定的 误检率。2019年Zhou等[47]借鉴CornerNet 的思想提出 一种新的检测思路，即通过关键点估计[48-50]网络 对每个目标预测出 4 个极值点和 1 个中心点，然 后提取极值点的峰值，暴力枚举所有的组合并计 算出每个组合的几何中心点，若几何中心点与预 测的中心点匹配度高于设定阈值，则接受该组合， 并将这 5 个极值点的得分平均值作为组合的置信 度。ExtremeNet[47]将目标检测问题转化成单纯的 基于外观信息的关键点估计问题，避免了对目标 隐含特征的学习，相对于 CornerNet 更好地反映了物体的信息，检测效果更好。
基于分类和回归进行改进的检测
自 2018 年 CornerNet 提出以来，基于 anchor-free 的目标检测模型在分类和回归的方法 上又有了新的创新，如 2019 年 Zhu 等[53]提出一种 基于 anchor-free 的动态选择特征层的方法，该方 法主要是在 RetinaNet 的基础上建立一个 FSAF（feature selective anchor-free）模块，即对每个层 次的特征都建立一个可以将目标分配到合适特性 级别的 anchor-free 分支，使得目标框能够在任意 特征层通过 anchor-free 分支进行编解码操作。FSAF 可以和基于锚的分支并行工作平行的输出预测结 果，有效地提升了 RetinaNet 的稳健性，解决了传统 基于锚框检测的网络根据候选框选择特征层的局限 性，并在 MS COCO 上实现了 42.8％的 mAP。传统基于锚框的检测网络面对变化较大的目 标时需要根据检测任务预定义锚框尺寸，通过手 工设置锚框提高召回率这一操作不仅占用较大的 计算和内存资源，还在一定程度上深化了正负样 本不平衡问题。2019 年 Tian 等[54]提出一种全卷积 目标检测网络 FCOS，类似语义分割中[55]利用逐 像素点预测的方式解决目标检测问题。为了提高 检测效果，FCOS 引入 center-ness 分支用于降低检 测效果不理想的目标框权重，然后通过 NMS 算法 确定最终检测结果。基于 anchor-free 的 FCOS 检 测网络极大地降低了参数计算，可以与其他视觉 任务相结合，并且尽可能多地使用正样本参与训 练，解决了之前检测模型中出现的正负样本不平 衡问题，但在检测时由于目标真实框重叠，可能 会出现语义模糊情况。2019年Kong等[59]提出了FoveaBox目标检测 网络，结合人类视觉系统是通过眼球中对物体感 应最敏锐的中央凹（Fovea）结构确定物体位置的 原理对目标真实框进行位置变换，更具体地说是 通过目标真实框找到目标对应在特征图中的中心 位置，然后设定两个缩放因子分别对目标真实框 向中心点进行收缩和扩展，将收缩边框的内部点 作为正样本，扩展边框外部点作为负样本。这种 通过位置变化忽略两个边框中间点的方法不仅增 加了正负样本之间的识别度、解决了样本不平衡 问题，还有效提升了检测性能，但与其他 anchor-free 模型相比检测精度略低，在 MS COCO 上实现的 mAP 仅有 40.6％。
图像目标检测模型对比
本文对现有经典图像目标检测模型的创新点 及优缺点做出对比，见表 1。无论是候选区域法、 回归法还是 anchor-free 法，提出模型的主要目的 都是为了能够高精度、高速率地识别并检测出目 标。由表 1 可以看出，基于候选区域法模型的提 出开启了用 CNN 提取特征的大门使图像目标检 测进入深度学习时代，回归法则解决了候选区域 法的速度瓶颈问题，实现了端对端的图像目标检 测。而基于 anchor-free 的算法消除了候选区域法 和回归法中候选框的设计，生成高质量的目标框 并在未来形成了一个有前途的方向。对本文中提到的图像目标检测模型在公共数 据集上的检测结果做出对比，见表 2。“—”表示 此数据集没有该模型的测试结果，2007 表示数据 集 VOC 2007，2012 表示数据集 VOC 2012；AP@0.5 表示该模型在 MS COCO 数据集上是取 阈值为 0.5 计算精度的，AP@[0.5,0.95]表示该模 型在 MSCOCO 数据集上是取 10 个阈值（间隔 0.05）计算精度的，即 mAP，表 2 中所有的数据 集精确率检测结果均以百分比为单位。FPS 表示 该模型每秒处理图片的数量。
