第7篇 目标检测（上）：R-CNN家族的“两阶段”进化史

《人工智能AI之计算机视觉：从像素到智能》专栏 · 模块二：核心感知（上）——2D世界的精细化理解（模型核心）· 第 7 篇

朋友们好。

在上一模块，我们一起拆解了机器视觉的核心引擎——CNN（卷积神经网络）。我们知道，通过卷积、池化这些精妙的操作，CNN能把一张复杂的照片一步步抽象成高级特征，最终告诉我们“图里有什么”（比如“这是一只猫”）。这叫图像分类（Image Classification）。

但是，在现实世界中，仅仅知道“有什么”往往是不够的。

想象一下，你正在开发一款自动驾驶汽车。当汽车行驶在繁忙的十字路口，摄像头拍到了一张包含行人、车辆、交通灯的复杂画面。如果你的AI只能告诉这辆车：“前面有‘人’，有‘车’”，那这辆车大概率是不敢开的。

因为它不知道这些人和车具体在哪里，也不知道它们有多大。

• 那个行人是在安全的人行道上，还是突然冲到了马路中间？
• 前面那辆车是在我的车道上正常行驶，还是正在强行变道？

要回答这些问题，我们的AI不仅需要“看懂”，还需要“揪出来”。

这就是计算机视觉领域更具挑战性、也更具实用价值的核心任务——目标检测（Object Detection）。

作为一名在IT行业摸爬滚打了30多年的老兵，我亲历了从早期的金融票据OCR识别，到后来智慧城市安防监控的变迁。我深知，只有当AI具备了精准“定位”的能力，它才能真正走出实验室，成为赋能千行百业的生产力工具。

今天，我们就来聊聊目标检测的开山鼻祖，那个把深度学习（CNN）第一次成功引入目标检测领域，并开启了一段波澜壮阔进化史的传奇家族——R-CNN。

一、 从“看懂”到“揪出来”：目标检测的本质挑战

目标检测的任务非常明确：给定一张图像，找出里面所有我们感兴趣的物体（比如人、车、猫、狗），并用一个矩形框（Bounding Box）把它们一个个精准地框出来，同时还要标明每个框里到底是啥，以及置信度是多少。

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

这个“Where”的增加，让难度指数级上升。

1.1为什么这么难？

因为物体的位置和大小是不确定的。

一只猫，可能出现在图像的左上角，也可能在右下角；它可能是一只占据半个屏幕的大猫，也可能是一只远处的、只有一个硬币大小的小猫。

如果用最笨的办法，我们可以怎么做？

• 滑动窗口（Sliding Window）：我们可以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，就把窗口里的图像送给CNN去分类，看看是不是猫。