基于深度学习的目标检测算法有哪些，具体原理是什么，提出者是谁

基于深度学习的目标检测算法包括：Faster R-CNN、YOLO、SSD、RetinaNet等。

Faster R-CNN是由Shaoqing Ren等人于2015年提出的目标检测算法，其原理是在卷积神经网络中增加一个区域提议网络（Region Proposal Network，RPN），用于生成候选框，再将这些候选框输入到分类器中进行分类和回归。

YOLO（You Only Look Once）是由Joseph Redmon等人于2016年提出的目标检测算法，其原理是将整张图像作为一个整体输入到卷积神经网络中，同时输出候选框的位置和类别信息。

SSD（Single Shot MultiBox Detector）是由Wei Liu等人于2016年提出的目标检测算法，其原理是在卷积神经网络中同时预测多个候选框的位置和类别信息，通过对多个候选框进行筛选和调整来提高检测精度。

RetinaNet是由Tsung-Yi Lin等人于2018年提出的目标检测算法，其原理是在卷积神经网络中使用Focal Loss函数来解决类别不平衡问题，同时使用特征金字塔网络（Feature Pyramid Network，FPN）来提高小目标检测的效果。

这些算法的提出者分别是Faster R-CNN的提出者是Shaoqing Ren等人，YOLO的提出者是Joseph Redmon等人，SSD的提出者是Wei Liu等人，RetinaNet的提出者是Tsung-Yi Lin等人。