视觉目标检测全景图：从 2D 单目锚点到 3D 双目几何重构

TL;DR

本文深度解析了基于深度学习的视觉目标检测综述。核心涵盖：1) 单目检测的三段式进化（从 Anchor-based 到 Transformer 端到端）；2) 双目检测的几何直觉（如何从图像视差重构 3D 空间）；3) 全流程优化（从 Mosaic 数据增强到标签分配策略的数学本质）。

背景定位：视觉检测的坐标系

目标检测不仅是简单的“识物”+“画框”，它是自动驾驶感知系统与机器人视觉的基础。作者将该领域划分为**单目（Monocular）与双目（Stereo）**两条技术线。

1. 单目视觉检测：锚点之争与端到端革命

单目检测的发展史即是对“物体表达方式”的探索史：

• 基于锚点框（Anchor-based）：两阶段（Faster R-CNN）通过先验框（Prior Boxes）换取精度，单阶段（YOLO/SSD）则通过牺牲部分局部精度换取实时速度。
• 无锚点框（Anchor-free）：通过“关键点检测（CenterNet/CornerNet）”或“内部点预测（FCOS）”摆脱了对长宽比等手工超参数的依赖，增强了模型的泛化能力。
• 端到端预测（End-to-End）：以 DETR 为代表，利用 Transformer 的全局注意力机制，通过匈牙利算法实现物体与其预测框的一对一匹配，从根本上终结了 NMS 对后处理的依赖。

图 1：基于深度学习的视觉目标检测训练与测试全流程

2. 双目视觉检测：丢失的 3D 信息如何寻回？

双目相机的本质是模仿人类双眼，通过**视差（Disparity）**计算深度。论文将此类方法分为两类物理直觉：

• 直接视锥空间检测：在图像投影坐标系内串接左右目特征。虽然简单，但容易受物体远近带来的尺度不一致影响。
• 显式逆投影检测（Pseudo-LiDAR）：这是近年来的重大进展。它将 2D 图像特征“拉伸”回 3D 笛卡尔坐标系，形成类似激光雷达的点云或体素（Voxel）。

图 2：双目视觉目标检测方法的发展历程与效果对比

3. 核心洞察：为何标签分配（Label Assignment）如此重要？

论文特别提到，单阶段与多阶段检测器的性能差距，很多时候不在网络深度，而在标签分配策略（如 ATSS）。如何动态判定一个锚点框是正样本还是负样本，直接决定了损失函数的收敛效率。

4. 实验结果与行业趋势

在 KITTI 榜单上，基于显式逆投影（如 DSGN, LIGA-Stereo）的方法已显著提升了车辆类别的检测精度（AP）。未来的研究热点已转向：

• 自监督学习：如何不点注数万张图也能让模型理解物体边界？
• 零样本/小样本检测：面对自动驾驶中的冷门异形物，如何通过语义迁移实现零样本识别？

深度感悟：技术主编视角

视觉目标检测正在经历从“像素匹配”到“几何重构”的范式转移。虽然 Transformer 带来了端到端的优雅，但如何在大规模道路场景下保持计算资源与精度的平衡，依然是学术界需要深切关注的问题。

图 3：基于 Transformer 的 DETR 检测框架流程

调研清单（Research Queries）

1. 高效 Transformer：研究 Deformable DETR 如何通过稀疏采样提升收敛速度。
2. 伪雷达架构：探索 Pseudo-LiDAR 从 DispNet 到更高精度深度估计器的演进。
3. 长尾分布处理：关注 LVIS 大规模数据集下，均衡损失函数对检测长尾类别的现实意义。

总结 (Takeaway)：本文不仅是一份综述，更是视觉从 2D 观测向 3D 感知进发的战略地图。