基于深度学习的目标检测算法概述
令和8年1月7日|p.6
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. 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某种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。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。
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, 然后利用卷积神经网络对每个采样点进行分类和回归。这类算法的代表是 YOLO 系列算法和 SSD 算法。
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, 如 R-CNN、Fast R-CNN、Faster R-CNN 等; 另一类是不使用候选区域的算法, 如 YOLO、SSD 等。
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) 等方法生成候选区域, 然后利用卷积神经网络对候选区域进行分类和回归。这类算法的优点是检测精度高, 但缺点是计算量大, 实时性差。
2.2.2.2 不使用候选区域的目标检测算法
不使用候选区域的目标检测算法直接将图像划分为网格, 然后利用卷积神经网络对每个网格进行分类和回归。这类算法的优点是计算量小, 实时性好, 但缺点是检测精度相对较低。