基于深度学习的目标检测算法
令和7年2月7日|p.53
左の本文を選ぶと、右側の官報原文画像で該当箇所を照合できます。
### 2.2.2.1 R-CNN系列算法
R-CNN（Region-based Convolutional Neural Networks）是第一个将深度学习应用于目标检测的算法。它首先通过选择性搜索（Selective Search）生成候选区域，然后使用CNN提取每个候选区域的特征，最后通过SVM进行分类和边界框回归。
Fast R-CNN改进了R-CNN的效率问题，它将整个图像输入到CNN中，然后在特征图上提取候选区域的特征，从而避免了重复计算。Faster R-CNN进一步引入了区域提议网络（Region Proposal Network, RPN），实现了端到端的训练和推理。
### 2.2.2.2 YOLO系列算法
YOLO（You Only Look Once）是一种单阶段目标检测算法，它将目标检测问题转化为一个回归问题。YOLO将图像划分为网格，每个网格负责预测固定数量的边界框及其对应的类别概率。
YOLOv2引入了锚点机制和多尺度训练，提高了检测精度。YOLOv3使用了更深的网络和特征金字塔结构，进一步提升了性能。YOLOv4和YOLOv5则在速度和精度之间取得了更好的平衡。
### 2.2.2.3 SSD系列算法
SSD（Single Shot MultiBox Detector）也是一种单阶段目标检测算法。它在不同尺度的特征图上进行预测，能够同时检测大小不同的目标。SSD在速度和精度之间取得了较好的平衡。