相比與傳統檢測方法，基於深度學習的目標檢測算法其優勢在於無需進行人工的特徵設計、良好的特徵表達能力以及優良的檢測精度。
基於深度學習的目標檢測算法分類
依據設計思想，主要分爲兩種：基於區域提名的目標檢測算法（二階檢測算法）和基於端到端（end-to-end)的學習的目標檢測算法（一階檢測算法）。
二階段檢測算法：第一步：生成可能包含物體的候選區域（Region Proposal），第二步：對候選區域做進一步的分類和校準，得到最終的檢測結果。代表是：R-CNN，SPPNet，Fast R-CNN, Faster R-CNN.
一階段檢測算法：直接給出最終結果，沒有生成候選區域的步驟。yolo，SSD
下面這個圖，我覺得特別棒，對於目前各種先進算法的基本思想區別一目瞭然。
基於區域提名的目標檢測算法
R-CNN綜述：
該算法主要包括區域提名、歸一化處理、特徵提取、分類及迴歸等步驟。
第一步：先通過選擇性搜索算法（Selective Search）生成候選區域（Proposal)。
這個算法的思想是：可能存在物體的區域應該具有某種相似性或連續性的區域。所以，第一步，它首先用分割算法將圖像分割成很多小的區域，這些區域爲最基礎的子區域，然後根據這些區域之間相似性進行區域合併，衡量相似性的標準可以是顏色、紋理和大小等。不斷疊加這種小區域，直到全部合併到一塊，然後給每個區域做一個外切的矩形，就得到了可能是物體的區域方框。
第二步：將候選區域進行尺度歸一化。
強制將這些候選區域放大到同一個尺寸，因爲在下一步中我們通過卷積神經網絡提取出來的特徵，R-CNN採用的是使用多個SVM進行對這些特徵分類。所以對於卷積神經網絡，我們必須要求輸出的向量維度一樣，這樣SVM纔可以進行分類。爲了保證輸出維度相同，卷積神經網絡的輸入圖片大小需要一致。
第三步：使用CNN網絡提取候選區域的目標特徵表達，之後還級聯一個全連接層。輸入一個高維向量，使用SVM進行物體的分類，這樣就檢測出這個物體，並會預測出這個物體屬於這個類型的概率。
第四步：檢測出物體以後，需要對物體畫邊框，由於我們第一步已經有了候選區域的邊框，但是這個邊框並不夠好，我們還要根據訓練數據中標記的框去校正第一步生成的框。
端到端的學習目標檢測算法
yolo綜述：
該算法基於一個單獨的end-to-end網絡，完成從原始圖像的輸入到物體位置和類別的輸出。不需要像二階算法顯示地求region proposal。同時yolo將物體檢測作爲一個迴歸問題進行求解，輸入圖像經過一次inference，便可以得到圖像中所有物體的位置和其所屬類別及相應的置信率。