1. 传统的目标检测框架，主要包括三个步骤：
（1）利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；
（2）提取候选区域相关的视觉特征。比如人脸检测常用的Harr特征；行人检测和普通目标检测常用的HOG特征等；
（3）利用分类器进行识别，比如常用的SVM模型；

2. 目标检测领域的深度学习方法主要分为两类：

  • 一阶段（One Stage ）：不需要产生候选框，直接将目标框定位的问题转化为回归（Regression）问题处理(Process)。常见的算法有YOLO、SSD等等。
  • 两阶段（Two Stages）：首先由算法（algorithm）生成一系列作为样本的候选框，再通过卷积神经网络进行样本（Sample）分类。常见的算法有R-CNN、Fast R-CNN、Faster R-CNN等等。
  • 基于候选区域（Region Proposal）的，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN；
  • 基于端到端（End-to-End），无需候选区域（Region Proposal）的，如YOLO、SSD。

　　对于上述两种方式，基于候选区域（Region Proposal）的方法在检测准确率和定位精度上占优，基于端到端（End-to-End）的算法速度占优。相对于R-CNN系列的“看两眼”（候选框提取和分类），YOLO只需要“看一眼”。总之，目前来说，基于候选区域（Region Proposal）的方法依然占据上风，但端到端的方法速度上优势明显，至于后续的发展让我们拭目以待。

参考：https://www.cnblogs.com/xiaoboge/p/10544336.html