基于深度学习的目标检测算法
令和8年1月5日|p.21
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 基于候选区域的目标检测算法
基于候选区域的目标检测算法主要包括 R-CNN、Fast R-CNN、Faster R-CNN 等。这些算法首先通过选择性搜索 (Selective Search) 或边缘框 (Edge Boxes) 等方法生成候选区域, 然后利用卷积神经网络 (CNN) 对候选区域进行特征提取和分类。
R-CNN 是最早提出的基于候选区域的目标检测算法之一。它首先通过选择性搜索生成约 2000 个候选区域, 然后将每个候选区域缩放到固定大小并输入到 CNN 中提取特征, 最后使用支持向量机 (SVM) 对特征进行分类。
Fast R-CNN 是对 R-CNN 的改进。它不再对每个候选区域单独进行特征提取, 而是先对整个图像进行一次特征提取, 然后通过 ROI Pooling 层将候选区域映射到特征图上, 从而大大提高了检测速度。
随着深度学习的发展, 基于深度学习的目标检测算法逐渐取代了传统的目标检测算法。根据是否使用候选区域, 可以将基于深度学习的目标检测算法分为两类: 一类是基于候选区域的算法, 另一类是不需要候选区域的算法。
2.2.2.1 基于候选区域的目标检测算法
基于候选区域的目标检测算法首先通过选择性搜索 (Selective Search) 或边缘框 (Edge Boxes) 等方法生成一系列候选区域, 然后利用卷积神经网络对每个候选区域进行分类和回归, 得到最终的检测结果。这类算法的代表有 R-CNN、Fast R-CNN、Faster R-CNN 等。
2.2.2.2 不需要候选区域的目标检测算法
不需要候选区域的目标检测算法直接在图像上进行密集采样, 利用卷积神经网络对每个采样点进行分类和回归, 得到最终的检测结果。这类算法的代表有 YOLO、SSD 等。
報
随着深度学习的发展, 基于深度学习的目标检测算法逐渐成为主流。根据是否使用候选区域, 可以将基于深度学习的目标检测算法分为两类: 一类是基于候选区域的 Two-stage 目标检测算法, 另一类是不使用候选区域的 One-stage 目标检测算法。
2.2.2.1 Two-stage 目标检测算法
Two-stage 目标检测算法将目标检测任务分为两个阶段：第一阶段生成候选区域，第二阶段对候选区域进行分类和回归。这类算法的代表是 R-CNN 系列算法，包括 R-CNN、Fast R-CNN、Faster R-CNN 等。