深層学習に基づく目標検出アルゴリズム（詳細版）
令和8年1月6日|p.5
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。
1. Two-stage 目标检测算法
Two-stage 目标检测算法将目标检测问题分为两个阶段：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。R-CNN 算法首先使用选择性搜索（Selective Search）方法生成候选区域，然后将候选区域输入到卷积神经网络（CNN）中提取特征，最后使用支持向量机（SVM）对特征进行分类，并使用边界框回归（Bounding Box Regression）对候选区域进行修正。Fast R-CNN 算法在 R-CNN 的基础上进行了改进，将候选区域的特征提取和分类回归整合到一个网络中，提高了检测速度。Faster R-CNN 算法进一步改进了 Fast R-CNN，使用区域提议网络（Region Proposal Network, RPN）生成候选区域，实现了端到端的训练和检测。
2. One-stage 目标检测算法
One-stage 目标检测算法直接将目标检测问题转化为回归问题，不需要生成候选区域。这类算法的代表是 YOLO 系列算法和 SSD 算法。YOLO 算法将输入图像划分为 S×S 的网格，每个网格负责预测 B 个边界框和 C 个类别概率。SSD 算法在不同尺度的特征图上进行预测，提高了对小目标的检测能力。One-stage 目标检测算法的检测速度较快，但检测精度相对较低。