请列举传统目标检测算法，并对每种算法做详细叙述，要有年份和作者

传统目标检测算法主要分为两类：基于区域的检测算法和基于回归的检测算法。

1. 基于区域的检测算法

1.1 Viola-Jones算法

Viola-Jones算法是一种基于Haar特征和Adaboost分类器的目标检测算法，由Paul Viola和Michael Jones于2001年提出。该算法将目标检测问题转化为一个二分类问题，即将目标和非目标分别归为两类。首先，将图像分成多个子区域，然后在每个子区域中提取Haar特征，并使用Adaboost算法进行特征选择和分类器构建。最后，对整个图像进行滑动窗口检测，并使用级联分类器逐步筛选出目标。

1.2 DPM算法

DPM算法是一种基于HOG特征和SVM分类器的目标检测算法，由Pedro F. Felzenszwalb等人于2010年提出。该算法将目标检测问题转化为多个局部检测子问题，并采用了一种自适应的构建方法来训练SVM分类器。具体地，该算法将图像分成多个子窗口，并使用HOG特征提取每个子窗口的特征向量。然后，使用自适应的方法构建SVM分类器，将每个子窗口分类为目标或非目标。最后，将每个子窗口的分类结果组合起来，得到整个图像的目标检测结果。

2. 基于回归的检测算法

2.1 R-CNN算法

R-CNN算法是一种基于深度学习的目标检测算法，由Ross Girshick等人于2014年提出。该算法使用卷积神经网络（CNN）提取图像特征，并使用支持向量机（SVM）分类器进行目标检测。具体地，该算法将图像分成多个候选框，并使用CNN提取每个候选框的特征向量。然后，使用SVM分类器将每个候选框分类为目标或非目标。最后，使用回归器对候选框进行微调，以提高检测精度。

2.2 Fast R-CNN算法

Fast R-CNN算法是一种改进的R-CNN算法，由Ross Girshick于2015年提出。该算法使用ROI池化层代替原来的滑动窗口方法，以减少计算量和内存占用。具体地，该算法将每个候选框映射到CNN的特征图上，并使用ROI池化层将每个候选框的特征向量提取出来。然后，使用全连接层将特征向量映射到目标类别和边界框的预测结果。最后，使用多任务损失函数对目标类别和边界框进行联合训练。

2.3 Faster R-CNN算法

Faster R-CNN算法是一种基于深度学习的端到端目标检测算法，由Shaoqing Ren等人于2015年提出。该算法使用RPN网络生成候选框，并使用ROI池化层和全连接层对候选框进行分类和回归。具体地，该算法先使用一个卷积网络生成特征图，并使用RPN网络生成多个候选框。然后，使用ROI池化层将每个候选框映射到特征图上，并使用全连接层对每个候选框进行分类和回归。最后，使用多任务损失函数对目标类别和边界框进行联合训练，以提高检测精度。