その他令和8年1月6日

深層学習に基づく目標検出アルゴリズムの概要 (Two-Stage および One-Stage)

掲載日

令和8年1月6日

号種

本紙

原文ページ

p.13

出典：官報発行サイト（内閣府）の掲載情報をもとに整理しています。重要な確認は公式原文を基準にしてください。

本文と原文の対照

まず左側の本文を読み、必要な箇所だけ原文ページで確認できる構成です。

原文対照の表示オプション

テキスト位置ガイドを表示非公開領域をマスクする

令和8年1月6日|p.13

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。

公式原文あり本文テキスト画像照合可誤りを報告

1. Two-Stage 检测算法

Two-Stage 检测算法将目标检测问题划分为两个阶段：第一阶段产生一系列稀疏的候选区域，第二阶段对候选区域内的物体进行分类和位置精修。典型的 Two-Stage 检测算法有 R-CNN、Fast R-CNN、Faster R-CNN 等。

2. One-Stage 检测算法

One-Stage 检测算法不需要产生候选区域, 直接将待检测的目标作为回归问题处理。典型的 One-Stage 检测算法有 YOLO、SSD 等。

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方法。这些算法主要分为两类：一类是基于区域建议的方法（Region-based），另一类是单阶段检测方法（One-stage）。

### 2.2.2.1 基于区域建议的目标检测算法

基于区域建议的目标检测算法通常包括两个阶段：首先生成候选区域（Region Proposals），然后对这些区域进行分类和回归。这类方法的代表有R-CNN系列算法。

#### 2.2.2.1.1 R-CNN

R-CNN（Regions with CNN features）是最早将卷积神经网络应用于目标检测的算法之一。它通过选择性搜索生成候选区域，然后将每个区域输入到CNN中提取特征，最后使用SVM进行分类。

#### 2.2.2.1.2 Fast R-CNN

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。此外，它还引入了RoI Pooling层来处理不同大小的候选区域。

#### 2.2.2.1.3 Faster R-CNN

Faster R-CNN进一步提高了检测速度，它引入了区域提议网络（RPN）来生成候选区域，从而实现了端到端的训练和推理。RPN与检测网络共享卷积特征，大大减少了计算量。

読み込み中...

テキスト領域

選択中

非公開 (PII)

関連する新着公告を見逃さないために

Pro プランでは会社名・機関名・キーワードを監視条件として保存し、新着掲載を継続確認できます。14日間無料で試せます。