自动驾驶感知系统是智能汽车实现自主决策、安全行驶的核心基础，相当于车辆的“眼睛”和“视觉大脑”。作为专栏的开篇之作，我们聚焦于感知系统最基础、也是最关键的任务之一：目标检测。目标检测作为感知模块的核心任务，主要分为2D目标检测与3D目标检测两大技术体系。（限于篇幅原因，本篇先盘点2D目标检测）我们按技术架构将算法划分为两阶段Anchor-Based算法、单阶段CNN Anchor-Based算法、单阶段Anchor-Free算法、Transformer视觉骨干检测算法四大类，贴合自动驾驶车载RGB图像检测场景。
每个算法我们都尽可能直白讲解原理、指明核心创新，提炼一下共同点（都是同一个大思想下的小改动），顺便也说说车载落地适配性，贴合自动驾驶车辆、行人、交通标识、遮挡小目标检测需求。
它们的共性是遵循「候选框生成→特征精修分类回归」双流程，先筛前景候选区域，再微调边框、完成分类，误检率低、密集遮挡目标精度高；缺陷是推理链路长、帧率低，车载边缘算力部署压力大，均依托锚框Anchor设计。
（1）R-CNN
简介：选择性搜索提取2000个图像候选框，逐个裁剪送入CNN提特征，搭配SVM完成分类、边框微调。
亮点：首次将卷积深度学习引入自动驾驶2D检测，替代传统HOG人工特征，检测精度跨越式提升。
局限：但是候选框重复卷积、速度极慢，无法车载实时部署。
（2）Fast R-CNN
简介：对整张图像仅卷积提取一次全局特征，通过RoI池化层截取候选框特征，分类、边框回归联合训练。
亮点：共享图像卷积特征、取消重复计算，合并训练流程，相较R-CNN提速多倍；解决模型分段训练、特征冗余痛点。
局限：保留选择性搜索候选框，无网络自主生成候选区，速度大幅优化但未摆脱传统区域搜索。
（3）Faster R-CNN
简介：原理是骨干网络提特征，新增RPN区域建议网络自主生成Anchor锚框与候选区，RoI池化后完成检测，完整端到端卷积架构。
亮点：用神经网络RPN替代选择性搜索，实现首个全深度学习两阶段检测器，成为自动驾驶高精度检测基线。
是同系列精度最优、推理最快，是R-CNN、Fast R-CNN终极优化版本，量产高精度感知基线模型。
共同特点是舍弃独立候选框分支，整张图像单次前向推理，同步输出类别+边框，推理速度远快于两阶段模型；依托预设Anchor，车载帧率高、轻量化易部署，但是小目标、正负样本失衡为通用短板。
包含SSD、RetinaNet、EfficientDet、YOLOv3/v4/v5/v7/v8/v9全系列。
（1）SSD
简介：是多尺度特征金字塔分层检测，浅层特征查远距离交通小目标，深层特征查近处车辆，多尺寸Anchor匹配目标。
核心创新：首创单阶段多尺度检测架构，兼顾YOLO速度与Faster R-CNN定位精度，适配车载大小交通目标。
异同：比初代YOLO小目标精度更强，无复杂骨干、部署简单，正负样本不均衡缺陷未解决。
（2）RetinaNet
出自何恺明团队的经典算法
简介：沿用FPN特征金字塔+SSD锚框架构，更换损失函数优化模型训练。
核心创新：提出Focal Loss焦点损失，压制背景负样本权重、解决单阶段正负样本失衡痛点，单阶段精度追平两阶段算法。
效果：架构贴合SSD，核心革新损失函数，拥堵车流、复杂背景自动驾驶检测效果大幅提升。
（3）EfficientDet
来自Google Brain团队，EfficientDet是一系列可扩展的高效的目标检测器的统称。
简介：复合缩放统一优化骨干网络、特征金字塔、检测头维度，双向加权FPN融合多尺度特征。
亮点：提出模型复合缩放策略、BiFPN双向特征融合模块，参数更少、多尺度目标泛化性更强，雨雪天气图像特征融合效果优异。
异同：相较SSD、RetinaNet特征融合更高效，模型轻量化、泛化性拉满，车载算力适配性更强。
（4）YOLOv3
初代均衡型YOLO，弥补v1/v2小目标漏检缺陷，算力开销适中。
（5）YOLOv4
简介：优化骨干激活函数、Mosaic车载图像增强、CIoU边框损失。
核心创新：新增自动驾驶路况专属数据增强、优化损失函数，逆光、夜间路况鲁棒性提升。
异同：纯工程trick优化，网络骨架不变，恶劣路况适应性优于v3。
（6）YOLOv5
参数量远低于v4，推理帧率更高，低成本量产车型首选。
（7）YOLOv7
速度、精度双向超越v5，中高算力车载平台主流选型。
（8）YOLOv8
新增分割分支，密集车流场景优于v7，算法功能多元化。
（9）YOLOv9
ps：因为我们是讨论经典算法，所以v10/v11...版本等待时间证明。
单阶段Anchor-Free算法（无锚框、低参数量、轻量化）
摒弃人工预设Anchor锚框，消除锚框超参调试成本、边框冗余计算，结构极简、训练更简单；分为中心点预测、角点预测两类，自动驾驶形变目标适配性更强。包含CenterNet、CornerNet。
（1）CenterNet
（2）CornerNet
这一类算法依托自注意力机制建模图像全局像素依赖，摆脱CNN局部卷积视野局限，车流重叠、遮挡、远距离目标精度拉满；分为纯视觉Transformer骨干、DETR检测架构两类，高阶自动驾驶视觉基线。
（1）ViT
（2）BEiT
（3）DeiT
（4）Swin Transformer
（5）PVT
简介：是金字塔分层Transformer、渐进式下采样，轻量化多级语义特征。
核心创新：纯Transformer轻量化金字塔结构，替代CNN-FPN，参数量低于Swin。
亮点：比Swin更轻量化、车载帧率更高，精度小幅下降，低成本视觉模型优选。
（6）DETR
简介：Transformer编码器+解码器，端到端直接输出检测结果，舍弃Anchor、NMS后处理。
亮点：属于首个Transformer端到端2D检测器，简化检测流水线，重叠目标误检率大幅降低。
局限：CNN检测器后处理全部取消，重叠车流检测效果比较好，但收敛慢、小目标精度差。
（7）Deformable DETR
简介：采用可变形稀疏注意力，仅聚焦目标像素做注意力计算。依靠稀疏注意力提速、优化小目标特征，修复DETR收敛慢、远距离路标漏检缺DETR量产优化版本，适配自动驾驶远距离、小尺寸交通标识检测，车规Transformer检测基线。
自动驾驶2D目标检测从CNN卷积两阶段、单阶段经典架构，迭代至Transformer端到端检测体系，YOLO、Faster R-CNN、DETR 三大系列支撑了近十年辅助驾驶的量产落地。
相较于复杂多模态3D感知，优化后的新一代2D检测算法成本优势显著，仍是L2级量产自动驾驶的核心感知方案。
但当前2D目标检测在车载落地中仍面临多重挑战：精度与实时性矛盾突出，Transformer高精度模型算力开销大；恶劣天气、隧道明暗切换等场景图像失真，检测精度断崖式下跌；长尾未知障碍物识别能力弱；跨场景域偏移导致标注成本高昂。
未来结合视觉预训练大模型、端到端、轻量化注意力机制等，可进一步解决恶劣天气、长尾目标、跨场景适配难题，推动低成本自动驾驶规模化商用。
前时间账号迁移，很多老粉表示咋刷不到我们文章了，的确全靠运气。既有缘相遇此文，不妨把我们星标收藏，慢慢聊车、无人机、机器人、聊技术。
