本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。 本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
本文将分 3 期进行连载，共介绍 16 个在目标检测任务上曾取得 SOTA 的经典模型。
- 第 1 期：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、OHEM
- 第 2 期：R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet
- 第 3 期：RRC detection、CornerNet、M2Det、FOCS、ObjectBox
您正在阅读的是其中的第 1 期。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
本期收录模型速览
| 模型 | SOTA！模型资源站收录情况 | 模型来源论文 |
| R-CNN | https://sota.jiqizhixin.com/project/r-cnn-2 收录实现数量：2 支持框架：MindSpore |
Rich feature hierarchies for accurate object detection and semantic segmentation |
| SPP-Net | https://sota.jiqizhixin.com/project/sppnet 收录实现数量：3 支持框架：PyTorch，MindSpore等 |
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition |
| Fast R-CNN | https://sota.jiqizhixin.com/project/fast-rcnn-2 收录实现数量：27 支持框架：PyTorch，TensorFlow等 |
Fast R-CNN |
| Faster R-CNN | https://sota.jiqizhixin.com/project/faster-r-cnn-2 收录实现数量：16 支持框架：PyTorch，TensorFlow等 |
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks |
| OHEM | https://sota.jiqizhixin.com/project/ohem 收录实现数量：5 支持框架：PyTorch，TensorFlow |
Training Region-based Object Detectors with Online Hard Example Mining |
目标检测作为计算机视觉的基本问题之一，是许多其他计算机视觉任务的基础，如实例分割、图像字幕、对象跟踪等。简单来说，目标检测就是对图片中物体正确分类，同时找到物体的具体位置，具体是指识别图片中有哪些物体以及物体的位置（坐标位置）的技术。在互联网、大数据、人工智能等技术的发展浪潮下，目标检测展现出巨大的应用价值，受到工业界、学术界越来越多的关注。
目标检测的发展大致经历了两个历史时期：“ 传统的目标检测时期 ” ( 2014年以前 ) 和 “ 深度学习的目标检测时期 ” ( 2014年以后 )。本文重点回顾深度学习时代的经典模型。在深度学习时代，目标检测可以分为两类：“ two-stage detection ” 和 “ one-stage detection ”，前者将检测框定为一个 “ 从粗到细 ” 的过程，而后者将其定义为 “ 一步完成 ”。我们在介绍过程中，将分两类进行分析。两阶段模型（two-stage detection）因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，R-CNN系列工作就是这一类型的代表。单阶段模型（one-stage detection）没有中间的区域检出过程，直接从图片获得预测结果，也被称为Region-free方法。
本文回顾目标检测中必备的TOP模型，包括one-stage模型和two-stage模型。
一、two-stage模型
1、 R-CNN
R-CNN是以深度神经网络为基础的物体检测模型 ，R-CNN在当时以优异的性能令世人瞩目，更重要的是，后续的SPPNet、Fast R-CNN、Faster R-CNN模型都是照着这个检测思路来工作的。R-CNN是这个系列的开山之作。
R-CNN将检测抽象为两个过程，首先，基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法。其次，在提出的这些区域上运行当时表现最好的分类网络（文中使用AlexNet），得到每个区域内物体的类别。
如图1，R-CNN模型的具体实现步骤（以AlexNet网络为基准）如下：（1）确定图片中可能存在目标的侯选区域 （region proposal）；（2）将候选区域调整为适应AlexNet网络的输入图像的大小227×227，通过CNN对候选区域提取特征向量，将2000个CNN特征组确定为AlexNet的最终输出，输出的大小为2000×4096；（3）利用2000×4096维特征训练SVM分类器，生成2000×20种类别矩阵；（4）分别对2000×20维矩阵进行非极大值抑制（Non-maximum suppression，NMS）剔除重叠的候选框，得到与目标物体最相关的一些建议框；（5）修正bbox，对bbox做回归微调。
图1. R-CNN目标检测系统概览
当前 SOTA！平台收录 R-CNN 共 2 个模型实现资源。
| 项目 | SOTA！平台项目详情页 |
| R-CNN | 前往 SOTA！模型平台获取实现资源：https://sota.jiqizhixin.com/project/r-cnn-2 |
