不久前，NeurIPS 2025 順利舉辦，作為人工智能學(xué)術(shù)界的頂級(jí)會(huì)議之一，其中不乏學(xué)術(shù)界大佬的工作和演講。

有一項(xiàng)榮譽(yù)的頒發(fā)顯得格外厚重且眾望所歸 —— 由任少卿、何愷明、Ross Girshick 和孫劍合著的經(jīng)典論文 《Faster R-CNN》，摘得了 「時(shí)間檢驗(yàn)獎(jiǎng)」 (Test of Time Award)。

凡是接觸過計(jì)算機(jī)視覺的人，對(duì)這個(gè)名字絕不陌生。自 2015 年發(fā)表以來，《Faster R-CNN》無疑成為了該領(lǐng)域最具里程碑意義的工作之一。它不僅一舉奠定了現(xiàn)代目標(biāo)檢測(cè)框架的核心范式，更像是一座燈塔，深刻影響并指引了隨后整整十年的視覺模型發(fā)展方向。

• 論文地址：https://arxiv.org/pdf/1506.01497

作為這一歷史性時(shí)刻的見證與總結(jié)，何愷明在大會(huì)上發(fā)表了題為 《視覺目標(biāo)檢測(cè)簡(jiǎn)史》 (A Brief History of Visual Object Detection) 的演講。

何愷明演講 PPT 已經(jīng)公開，可以參閱以下鏈接：

https://people.csail.mit.edu/kaiming/neurips2025talk/neurips2025_fasterrcnn_kaiming.pdf

從何愷明的演講內(nèi)容來看，這不單是一個(gè)技術(shù)匯報(bào)，更像是一部計(jì)算機(jī)如何學(xué)會(huì)「看世界」的英雄史詩(shī)，總結(jié)了 30 年來視覺目標(biāo)檢測(cè)的發(fā)展歷程。演講中介紹的每一個(gè)工作，都獲得了不同頂會(huì)的時(shí)間檢驗(yàn)獎(jiǎng)，對(duì)視覺智能的發(fā)展起到了決定性的作用。

你是否好奇：為什么現(xiàn)在的 AI 能在一瞬間識(shí)別出照片里的貓、狗、汽車甚至它們的位置，而在十幾年前這卻被認(rèn)為是幾乎不可能的任務(wù)？

讓我們跟隨大神的視角，穿越回那個(gè)「原始」的時(shí)代，看看這一路是如何走來的。

原始：手工打磨的「放大鏡」

在深度學(xué)習(xí)爆發(fā)之前，計(jì)算機(jī)視覺科學(xué)家們更像是「工匠」。

人臉檢測(cè)的早期嘗試： 早在 90 年代，科學(xué)家們就開始嘗試用神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)學(xué)方法找人臉：

• 1996 年： Rowley 等人發(fā)表了 《基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)》 (Neural Network-Based Face Detection) ，這是何愷明閱讀的第一篇 CV 論文，利用早期的神經(jīng)網(wǎng)絡(luò)在圖像金字塔上尋找面孔 。
• 1997 年： Osuna 等人引入了支持向量機(jī)，發(fā)表了 《用于人臉檢測(cè)的 SVM》 (SVM for Face Detection) ，試圖在數(shù)據(jù)中畫出一條完美的分類線。
• 2001 年： 著名的 Viola-Jones 框架 (The Viola-Jones Framework)  橫空出世。它通過簡(jiǎn)單的特征組合實(shí)現(xiàn)了極快的人臉檢測(cè)，直到今天，很多老式相機(jī)的對(duì)焦功能還得感謝它。

特征工程的黃金時(shí)代： 既然「整張臉」難找，那就找「關(guān)鍵點(diǎn)」和「紋理」。隨后的幾年，特征描述符成為了主角：

• 1999 年： Lowe 提出了 SIFT ，這種「尺度不變特征變換」能在旋轉(zhuǎn)、縮放的情況下依然認(rèn)出物體，是當(dāng)年的絕對(duì)王者。
• 2003 年： Sivic 和 Zisserman 借鑒文本搜索，提出了 「視覺詞袋模型」 (Bag of Visual Words) ，把圖片看作一堆「視覺單詞」的集合。
• 2005 年： Dalal 和 Triggs 發(fā)明了 HOG (方向梯度直方圖) ，專門用來描述行人的輪廓。同一年，Grauman 和 Darrell 提出了 「金字塔匹配核」 (Pyramid Match Kernel) ，用來比較兩組特征的相似度。
• 2006 年： Lazebnik 等人進(jìn)一步提出了 「空間金字塔匹配」 (Spatial Pyramid Matching) ，解決了詞袋模型丟失空間位置信息的問題。
• 2008 年： 特征工程的集大成者 DPM (Deformable Part Model)  登場(chǎng)。它把物體看作一個(gè)個(gè)可變形的部件（比如人的頭、手、腳），像彈簧一樣連接在一起。這是傳統(tǒng)方法的巔峰。

痛點(diǎn)在哪里？特征是人設(shè)計(jì)的（Hand-crafted），分類器（比如 SVM）只能在這些有限的信息上工作 。這種方法不僅慢，而且很難適應(yīng)復(fù)雜的場(chǎng)景。

破曉：AlexNet 與 R-CNN 的「暴力美學(xué)」

2012 年，AlexNet 橫空出世，深度學(xué)習(xí)證明了它提取特征的能力遠(yuǎn)超人類手工設(shè)計(jì) 。但是，怎么用它來做目標(biāo)檢測(cè)呢？

深度學(xué)習(xí)的驚雷：2012 年，AlexNet (Krizhevsky et al.) 在 ImageNet 競(jìng)賽中以壓倒性優(yōu)勢(shì)奪冠。它證明了深層卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取特征的能力遠(yuǎn)超人類手工設(shè)計(jì)。

R-CNN：從分類到檢測(cè) 但是，怎么用 CNN 做目標(biāo)檢測(cè)（框出物體位置）？ 2014 年，Girshick 等人提出了劃時(shí)代的 R-CNN (Region-based CNN) 。它的思路很直接：

• 先用傳統(tǒng)算法（Selective Search）在圖上剪出約 2000 個(gè)「候選區(qū)域」 (Region Proposals)。
• 把每個(gè)區(qū)域都扔進(jìn) CNN 提特征，再用 SVM 分類。

巔峰：Faster R-CNN 的「速度進(jìn)化」

R-CNN 讓每個(gè)候選框都過一遍 CNN，計(jì)算量巨大。科學(xué)家們開始思考如何復(fù)用計(jì)算。

• 2014 年： 何愷明團(tuán)隊(duì)提出了 SPP-Net (Spatial Pyramid Pooling) 。它引入了空間金字塔池化層，允許神經(jīng)網(wǎng)絡(luò)處理任意大小的圖片，并且只算一次全圖特征，大大加速了檢測(cè)。
• 2015 年： Girshick 借鑒 SPP-Net，推出了 Fast R-CNN 。它引入了 RoI Pooling，把特征提取和分類回歸整合到了一個(gè)網(wǎng)絡(luò)里，不僅快，還能端到端訓(xùn)練。

最終的瓶頸： 即便如此，候選框（Region Proposals）依然依賴那個(gè)笨重的傳統(tǒng)算法（Selective Search），這成為了系統(tǒng)的速度瓶頸。

2015 年，F(xiàn)aster R-CNN 的誕生：何愷明團(tuán)隊(duì)提出了 RPN (Region Proposal Network) 。他們從 1991 年 LeCun 等人的 「空間位移神經(jīng)網(wǎng)絡(luò)」 (Space Displacement Net) 中獲得靈感，讓神經(jīng)網(wǎng)絡(luò)自己在特征圖上「滑動(dòng)」，通過預(yù)設(shè)的 Anchor (錨點(diǎn))  來預(yù)測(cè)物體可能存在的位置。

至此，目標(biāo)檢測(cè)的所有環(huán)節(jié) —— 提議、特征提取、分類、回歸 —— 全部被神經(jīng)網(wǎng)絡(luò)接管，實(shí)現(xiàn)了真正的「端到端」實(shí)時(shí)檢測(cè)。速度和精度雙重飛躍，計(jì)算機(jī)視覺終于邁入了實(shí)時(shí)檢測(cè)的時(shí)代。

迷霧后的新世界：Transformer 與萬(wàn)物

Faster R-CNN 開啟了一個(gè)時(shí)代，但探索從未停止。演講的后半部分，何愷明展示了技術(shù)的洪流如何繼續(xù)奔涌：

既然要快，能不能連「候選框」這個(gè)步驟都不要了？

• 2016 年： YOLO (You Only Look Once) 和 SSD (Single Shot MultiBox Detector)  問世。它們像人類一眼看全圖一樣，直接輸出所有物體的位置和類別，速度極快。
• 2017 年： 為了解決單階段檢測(cè)精度低的問題（正負(fù)樣本不平衡），何愷明團(tuán)隊(duì)提出了 Focal Loss (RetinaNet) 。
• 2017 年： Mask R-CNN 驚艷亮相。它在 Faster R-CNN 的基礎(chǔ)上加了一個(gè)分支，不僅能畫框，還能像素級(jí)地把物體「摳」出來（實(shí)例分割），引入了 RoI Align  解決了像素對(duì)齊問題。
• 2020 年： DETR (Detection Transformer)  將 Transformer 架構(gòu)引入視覺。它完全拋棄了 Anchor 和復(fù)雜的后處理（NMS），用全局注意力機(jī)制重新定義了檢測(cè)。
• 2023 年： SAM (Segment Anything Model)  橫空出世。它在大數(shù)據(jù)的喂養(yǎng)下，學(xué)會(huì)了「分割萬(wàn)物」，不再受限于特定的訓(xùn)練類別，展示了視覺大模型的雛形。

在這個(gè)「大航海時(shí)代」我們學(xué)到了什么？

我們?cè)谶^去的幾十年里學(xué)到了什么？

何愷明說：「Write object detection papers and win Test of Time Awards :)」（寫目標(biāo)檢測(cè)論文然后拿到時(shí)間檢驗(yàn)獎(jiǎng) :) ）

演講最后，他用一張 Nano-Banana 生成的非常有寓意的圖作為結(jié)尾：一艘船駛向迷霧中的大海。

他說，科學(xué)探索就像是駛?cè)朊造F 。

• 這里沒有預(yù)先畫好的的地圖。
• 我們甚至不知道終點(diǎn)是否存在 。

從手工特征到 CNN，再到 Transformer，每一次飛躍都是探險(xiǎn)者在迷霧中發(fā)現(xiàn)的新大陸。Faster R-CNN 不僅僅是一個(gè)算法，它教會(huì)了我們：當(dāng)舊的組件成為瓶頸時(shí)，用更強(qiáng)大的可學(xué)習(xí)模型去取代它。

在下一個(gè)十年，計(jì)算機(jī)視覺的「圣杯」會(huì)是什么？