有目标检测

卷积神经网络（CNN）：采用特征提取、边界框回归和分类器如ResNet或VGG，通过提取图像特征进行目标检测。

区域卷积神经网络（R-CNN）：使用选择性搜索生成潜在候选区域，与CNN结合做特征提取和分类以识别目标。

快速区域卷积神经网络（Fast R-CNN）：改进R-CNN，通过在单一网络内结合特征提取、区分目标和背景，提高检测速度。

更快的区域卷积神经网络（Faster R-CNN）：进一步提高速度，通过引入区域提议网络（RPN）生成区域提议，取代选择性搜索。

单次检测器（SSD）：不使用区域提议，直接在不同尺度特征映射上预测边界框和类别，为实时检测设计，实现更高的检测速度。

YOLO（You Only Look Once）：将目标检测视为回归问题，单一网络预测图像中所有物体的边界框和类别，同时处理，提高检测效率。

RetinaNet：通过结合Focal Loss解决类别不平衡问题，改进检测准确性，适用于密集预测任务。

热成像仪：通过检测物体发出的红外线实现目标检测，常用于夜间或低光条件下。

激光雷达（LiDAR）：发射激光并测量返回时间，用于生成三维空间中的目标图像，常用于自动驾驶及机器人导航。

雷达：利用无线电波探测目标的距离和速度，可用于车辆检测及天气监测。

声呐（SONAR）：通过声波探测水下目标位置和距离，广泛应用于海洋探测和水下测绘。

视觉摄像头：利用图像处理技术分析视频数据进行目标检测，应用于安全监控和智能交通。