基于深度学习的目标检测算法 (Deep Learning-based Object Detection Algorithms)
令和8年1月7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. 两阶段 (Two-stage) 方法
两阶段方法首先通过区域生成网络 (Region Proposal Network, RPN) 或选择性搜索 (Selective Search) 等方法生成一系列可能包含目标的候选区域, 然后对这些候选区域进行分类和边界框回归。这类方法的代表包括 R-CNN、Fast R-CNN、Faster R-CNN 等。
- R-CNN (Regions with CNN features): 由 Ross Girshick 等人于 2014 年提出, 是第一个将卷积神经网络应用于目标检测的算法。R-CNN 首先使用选择性搜索生成约 2000 个候选区域, 然后将这些区域缩放至固定大小并输入到 CNN 中提取特征, 最后使用 SVM 进行分类和线性回归进行边界框调整。
- Fast R-CNN: 针对 R-CNN 训练速度慢的问题, Ross Girshick 于 2015 年提出了 Fast R-CNN。该方法引入了 ROI Pooling 层, 可以直接从整张图像的特征图中提取候选区域的特征, 避免了重复计算。同时, Fast R-CNN 将分类和回归任务整合到一个多任务损失函数中, 实现了端到端的训练。
- Faster R-CNN: 为了进一步提高检测速度, Shaoqing Ren 等人于 2015 年提出了 Faster R-CNN。该方法用区域生成网络 (RPN) 替代了选择性搜索, RPN 与检测网络共享卷积特征, 使得候选区域的生成几乎不增加额外计算开销。Faster R-CNN 在保持高精度的同时, 显著提升了检测速度。
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。
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, 最终得到目标的类别和位置信息。这类算法的代表有 R-CNN、Fast R-CNN、Faster R-CNN 等。
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, 最终得到目标的类别和位置信息。这类算法的代表有 YOLO、SSD 等。