请解释目标检测的概念，并列举几种主流的目标检测算法。
考察说明
考查对目标检测基本概念和主流算法的掌握程度。
回答思路
- 【回答框架 1】目标检测是计算机视觉中的核心任务，旨在从图像或视频中定位并分类多个目标物体，输出每个目标的类别标签和边界框坐标。它不同于图像分类（仅判断整张图像类别）和图像分割（像素级分类），目标检测关注的是“哪里有什么物体”。
- 【回答框架 2】主流算法可分为两阶段和单阶段两大类。两阶段算法以R-CNN系列为代表，如Fast R-CNN、Faster R-CNN，先生成候选区域再分类和回归，精度高但速度较慢；单阶段算法如YOLO系列、SSD，直接回归边界框和类别，速度快但精度略低。
- 【回答框架 3】近年来，基于Transformer的检测器如DETR，将检测视为集合预测问题，简化了流程；此外，还有基于锚点（anchor-based）和无锚点（anchor-free）的方法，如CenterNet、FCOS，在速度和精度上各有权衡。
- 【回答框架 4】实际选择算法时需根据应用场景权衡：实时性要求高（如视频监控）可选YOLO或SSD；精度优先（如医学影像）可选Faster R-CNN或DETR；同时需考虑硬件资源、训练数据规模和部署难度。
- 【回答框架 5】评估检测性能常用mAP（平均精度均值）和FPS（每秒处理帧数），mAP衡量定位和分类的综合精度，FPS反映速度。
- 【关键点 1】目标检测输出类别标签和边界框，区别于分类和分割。
- 【关键点 2】两阶段算法（R-CNN系列）精度高，单阶段算法（YOLO、SSD）速度快。
- 【关键点 3】DETR引入Transformer，实现端到端检测。
- 【关键点 4】算法选择需权衡精度、速度和部署成本。
- 【关键点 5】mAP和FPS是常用评估指标。
- 【易错点 1】不要将目标检测与图像分类混淆，分类只输出类别，检测还需定位。
- 【易错点 2】不能笼统说单阶段一定比两阶段快，具体取决于模型结构和硬件。
- 【易错点 3】避免忽略锚点设计对检测性能的影响，不同算法对锚点敏感度不同。