综述：两阶段与单阶段目标检测架构回顾

这篇综述系统梳理了计算机视觉领域目标检测技术的发展脉络，重点对比分析了两阶段检测器（如R-CNN系列）和单阶段检测器（如YOLO系列）的架构演变。文章深入探讨了卷积神经网络（CNN）在特征提取中的核心作用，通过mAP（平均精度均值）和FPS（帧率）等指标量化了不同模型的性能差异，为实时检测与高精度检测的平衡提供了重要参考。

　　

在计算机视觉领域，目标检测技术经历了从传统方法到深度学习范式的革命性转变。这篇综述聚焦于两阶段与单阶段检测器的架构演进，揭示了不同设计哲学背后的性能权衡。

卷积神经网络的基础架构
CNN作为目标检测的核心引擎，通过层级卷积和池化操作构建特征金字塔。典型架构包含输入层（处理H×W×3张量）、3×3/1×1卷积核（伴随BatchNorm和ReLU激活）、SPP（空间金字塔池化）模块等组件。值得注意的是，FPN通过自上而下路径融合多尺度特征，显著提升了小物体检测能力。

两阶段检测器的精妙设计
以R-CNN系列为代表的两阶段检测器采用"区域提议+分类回归"的级联策略：

• R-CNN开创性地将CNN用于区域特征提取，但存在重复计算问题
• Fast R-CNN引入ROI池化层，实现特征图共享
• Faster R-CNN创新性地集成RPN，使mAP提升至73.2%
• Mask R-CNN增加分割分支，在COCO数据集达到42% mask mAP

这类模型通过Cascade R-CNN的多级级联和FPN的多尺度融合，在医疗影像等需要精确定位的场景表现突出，但59FPS的推理速度仍落后于单阶段模型。

单阶段检测器的速度革命
YOLO家族通过端到端设计实现质的飞跃：

• YOLOv1首创网格化预测，达到45FPS但仅57.9% mAP
• YOLOv3引入Darknet-53主干和3尺度预测
• YOLOv4采用CSPDarknet和PANet，在Tesla T4实现161FPS
• 最新YOLOv10通过双标签分配策略消除NMS，参数减少30%

SSD和RetinaNet分别通过默认框机制和Focal Loss解决类别不平衡问题。特别值得注意的是YOLO-NAS，其通过神经架构搜索（NAS）自动优化模型，在INT8量化下仍保持高精度。

架构演进的启示
两阶段检测器在PASCAL VOC上53.3%的mAP优势明显，但YOLOv7的56.8% AP显示单阶段模型正在缩小差距。现代系统通过RepVGG重参数化、注意力机制等创新，逐步实现"鱼与熊掌兼得"。未来发展方向可能聚焦于轻量化设计、三维检测等前沿领域，持续推动自动驾驶、医疗诊断等应用场景的技术革新。