基于深度学习的目标检测算法
令和7年3月4日|p.47
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。它通过选择性搜索生成候选区域，然后使用CNN提取每个区域的特征，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（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和类别概率。
YOLOv2引入了锚框机制和多尺度训练，提高了检测精度。YOLOv3使用了更深的网络和特征金字塔结构，进一步提升了对小目标的检测能力。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，从而能够有效地检测不同大小的目标。SSD在速度和精度之间取得了良好的平衡。
### 2.2.2.4 RetinaNet算法
RetinaNet引入了焦点损失（Focal Loss），解决了单阶段检测器中正负样本不平衡的问题。它通过降低易分类样本的权重，使模型更加关注难分类的样本，从而提高了检测精度。
### 2.2.2.5 Transformer-based算法
近年来，Transformer架构也被引入到目标检测领域。DETR（Detection Transformer）是第一个完全基于Transformer的目标检测算法，它摒弃了传统的锚框机制，直接输出检测结果。
The Journal of Symbolic Logic
http://journals.cambridge.org/JSL
Additional services for The Journal of Symbolic Logic:
Email alerts: Click here
Subscriptions: Click here
Commercial reprints: Click here
Terms of use : Click here
Book Reviews
The Journal of Symbolic Logic / Volume 10 / Issue 01 / March 1945, pp 30 - 31
DOI: 10.2307/2268054, Published online: 12 March 2014
Link to this article: http://journals.cambridge.org/abstract_S002248120001738X
How to cite this article:
Book Reviews (1945). The Journal of Symbolic Logic, 10, pp 30-31 doi:10.2307/2268054
Request Permissions : Click here