内容概要：本文是《目标检测入门指南》系列的第二部分，重点介绍用于图像分类的经典卷积神经网络（CNN）架构及其在目标检测中的基础作用。文章详细讲解了卷积操作的基本原理，并以AlexNet、VGG和ResNet为例，阐述了不同CNN模型的结构特点与创新点，如深层网络设计、小滤波器堆叠和残差连接机制。同时介绍了目标检测常用的评估指标mAP（平均精度均值），解释了其计算方式和意义。此外，文章还回顾了传统的可变形部件模型（DPM），分析其基于根滤波器、部件滤波器和空间形变代价的检测机制，并指出DPM可通过展开推理过程转化为等效的CNN结构。最后，介绍了Overfeat模型，作为首个将分类、定位与检测统一于CNN框架的先驱工作，展示了如何通过滑动窗口进行多尺度分类并结合回归器预测边界框。; 适合人群：具备一定计算机视觉和深度学习基础，从事或学习图像识别、目标检测相关方向的研发人员与学生；适合希望理解经典CNN模型演进及目标检测早期发展脉络的技术爱好者。; 使用场景及目标：①理解CNN在图像分类中的核心架构演变及其对后续目标检测模型的影响；②掌握mAP等关键评估指标的含义与计算方法；③了解DPM与Overfeat的设计思想，为深入学习R-CNN系列等现代检测器打下理论基础。; 阅读建议：此资源以综述形式串联多个经典模型，建议结合原文图表与参考文献进行延伸阅读，并通过复现典型模型结构加深对卷积、池化、残差连接等操作的理解，从而建立从传统方法到深度学习的完整认知链条。
