目標檢測是深度學習的一個重要應用，就是在圖片中要將裡面的物體識別出來，並標出物體的位置，一般需要經過兩個步驟：

1、分類，識別物體是什麼

2、定位，找出物體在哪裡

除了對單個物體進行檢測，還要能支援對多個物體進行檢測，如下圖所示：

這個問題並不是那麼容易解決，由於物體的尺寸變化範圍很大、擺放角度多變、姿態不定，而且物體有很多種類別，可以在圖片中出現多種物體、出現在任意位置。因此，目標檢測是一個比較複雜的問題。

最直接的方法便是構建一個深度神經網路，將影象和標註位置作為樣本輸入，然後經過CNN網路，再通過一個分類頭（Classification head）的全連線層識別是什麼物體，通過一個迴歸頭（Regression head）的全連線層迴歸計算位置，如下圖所示：

但“迴歸”不好做，計算量太大、收斂時間太長，應該想辦法轉為“分類”，這時容易想到套框的思路，即取不同大小的“框”，讓框出現在不同的位置，計算出這個框的得分，然後取得分最高的那個框作為預測結果，如下圖所示：

根據上面比較出來的得分高低，選擇了右下角的黑框作為目標位置的預測。

但問題是：框要取多大才合適？太小，物體識別不完整；太大，識別結果多了很多其它資訊。那怎麼辦？那就各種大小的框都取來計算吧。

如下圖所示（要識別一隻熊），用各種大小的框在圖片中進行反覆擷取，輸入到CNN中識別計算得分，最終確定出目標類別和位置。

這種方法效率很低，實在太耗時了。那有沒有高效的目標檢測方法呢？

一、R-CNN 橫空出世

R-CNN（Region CNN，區域卷積神經網路）可以說是利用深度學習進行目標檢測的開山之作，作者Ross Girshick多次在PASCAL VOC的目標檢測競賽中折桂，2010年更是帶領團隊獲得了終身成就獎，如今就職於Facebook的人工智慧實驗室（FAIR）。