深度学习目标检测10年，即将引爆！

目标检测作为计算机视觉核心任务之一，在深度学习技术的高速发展下，近十年一直是重点研究方向， 相关论文数量逐年增长！ 从R-CNN、YOLO，到SSD、RetinaNet，和引入Transformer的DETR，学界和业界创新不断， 关键技术也日新月异， 轻量化、端到端、3D目标检测，以及小目标、跨模态检测，甚至开放世界检测，重大突破即将到来！

为了帮助大家掌握 目标检测技术路线 ，研梦非凡于 7月30日（周二） ，邀请了 发表过 CVPR论文、 资深算法工程师Frank导师， 为大家独家详解 《深度学习目标检测十年速览》（AI前沿直播课NO.57）， 从 目标检测的发展脉络，到单双阶段 算法， 重点讲解 YOLOv8、Faster R-CNN，并介绍Transformer目标检测（VIT、DETR）、目标检测与图像分割（Unet、Mask R-CNN），以及 损失函数， 1节课带大家速通主流方法，get论文或项目创新点，以及求职必问知识点！

凡预约即可免费领取 10 0 篇目标检测论文 （ 直播课精选+顶会收录+综述+小目标检测方向等 ）+文末还有算力等科研福利！

unset unset 直播课内容概览 unset unset

01 近十年目标检测发展脉络

1. 目标检测发展概览

2. 两阶段目标检测算法

• R-CNN (2014)：提出了使用选择性搜索生成候选区域，再用CNN分类的框架。精度高；但速度慢，计算开销大
• Fast R-CNN (2015) ：通过共享卷积特征提取来加速计算。速度较R-CNN提升显著；但仍需外部的候选区域生成方法
• Faster R-CNN (2015) ：引入区域提议网络（RPN），实现了候选区域生成和目标检测的端到端训练。速度和精度的平衡；但计算资源需求仍然较高
• Mask R-C NN (2017) ： 在Faster R-CNN的基础上增加了分割任务，能够同时进行目标检测和实例分割。提供了更丰富的检测信息；但复杂度和计算需求更高

3. 单阶段目标检测算法

• YOLO (2015) ： 通过将图像分成网格并直接回归边界框和类别，首次提出单阶段检测器的概念。

• YOLOv4 (2020) ： 综合了多种优化技术，如CSPDarknet53、PANet、SAM等。

• YOLOv10 (2024) ： 通过双通道head设计和一对多标签分配策略，去除了NMS后处理。更容易部署和使用。

• SSD (Single Shot MultiBox Detector, 2016) ： 使用多尺度特征图进行预测，可以同时检测不同大小的目标 速度快，精度较YOLO有所提升；但对小目标的检测仍有不足

• RetinaNet (2017) ： 引入了Focal Loss，解决了类别不平衡问题，大大提升了单阶段检测器的精度。在精度上接近两阶段检测器，同时保持较快速度；但计算量较大，训练难度增加

• EfficientDet (2020) ： 结合EfficientNet和BiFPN，实现了高效的目标检测。在速度和精度上均有显著提升；但复杂度高，需要较多调整

• DETR (Detection Transformer, 2020) ： 基于Transformer架构，使用Attention机制进行目标检测。模型设计新颖，提供了一种全新的目标检测思路；但训练时间长，对计算资源要求高

4. Anchor Free目标检测算法

• CenterNet： 一种基于关键点的目标检测方法，通过预测物体中心点来进行检测。

• CornerNet： 一种基于角点的目标检测方法，通过检测目标的左上角和右下角来确定边界框。

02 单阶段与双阶段目标检测

1. 介绍单阶段目标检测

• 以YOLOv8为例

2. 介绍双阶段目标检测

• 以Faster R-CNN为例

03 Transformer目标检测

1. VIT

• 一种基于Transformer架构的模型，用于处理图像数据，在多个视觉任务上展现出了优异的性能
• 架构分析

2. DETR

• 无需预定义的先验Anchor、NMS的后处理策略，即可实现端到端目标检测
• 架构分析

04 目标检测与图像分割

1. Unet

• 一种CNN架构，适合处理需要精确定位的图像分割任务
• 架构分析

2. MaskRcnn

• 引入了Mask分支，以实现对目标实例的像素级分割
• 架构分析

05 损失函数详解

1. 分类损失

• 用于训练模型以正确识别图像中的目标类别
• 公式讲解

2. 定位损失

• 用于衡量模型预测的边界框与真实边界框之间差异的损失函数
• 公式讲解

导师介绍

Frank导师

【个人背景】 国内一线车企研究院资深算法工程师，擅长感知算法方向，在语义分割、车道线检测、2D和3D目标检测、BEV目标检测等领域，具有丰富的项目创新和落地经验。

【研究成果】 曾主导多个重大项目，精通算法研究和部署端优化，以主要研究者身份，发表过CVPR多模态方向论文，在CV领域积累了多篇授权和落地专利。

直播福利

参加本次直播的同学都将获得 1小时导师meeting的福利（助教+导师）！ 原价2999， 限时福利价 9.9元 ！ 活动时间为 7月30日到8月31日。

ps：研梦非凡开设的前沿论文系列直播，旨在帮助大家提升读论文技能，快速抓住重点，掌握有效方法，进而找到创新点，轻松完成论文报告。

凡预约即可免费领取 10 0 篇目标检测论文 （ 直播课精选+顶会收录+综述+小目标检测方向等 ）+文末还有算力等科研福利！

unset unset 研梦非凡科研论文指导 unset unset

如果你的研究方向/方法/idea是属于 CV全方向/NLP全方向/机器学习/深度学习及AI+金融、医疗、交通等方向， 如果你需要发 CCF A-C、SCI一区-四区、EI会议/EI期刊、毕业大论文、毕业设计等， 都可以来研梦非凡，匹配合适的科研指导。

研梦非凡可指导的研究方向

主流方向科研论文常用方法

研梦非凡现有idea

👇🏻 扫码找助教了解更多/验证自己的idea是否可行

unset unset 研梦非凡科研论文指导方案 unset unset