基于深度学习的目标检测算法 (2.2.2)
令和8年1月7日|p.15
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划分为两个阶段：第一阶段是生成候选区域，第二阶段是对候选区域进行分类和回归。典型的 Two-stage 目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN 等。
图 2-1 Two-stage 目标检测算法流程图
R-CNN（Region-based Convolutional Neural Networks）是最早提出的基于深度学习的目标检测算法之一。它首先使用选择性搜索（Selective Search）算法生成候选区域，然后将每个候选区域缩放到固定大小，输入到卷积神经网络中进行特征提取，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）对候选区域进行微调。
Fast R-CNN 是 R-CNN 的改进版本，它将候选区域的特征提取和分类整合到一个网络中，提高了检测速度。Faster R-CNN 进一步改进了 Fast R-CNN，它使用区域提议网络（Region Proposal Network, RPN）来生成候选区域，取代了选择性搜索算法，进一步提高了检测速度和精度。
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一个回归问题，不需要生成候选区域。典型的 One-stage 目标检测算法有 YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。
YOLO 将输入图像划分为 S×S 的网格，每个网格负责预测 B 个边界框及其置信度和 C 个类别概率。YOLO 的检测速度非常快，但检测精度相对较低。SSD 在 YOLO 的基础上进行了改进，它使用多尺度的特征图进行检测，提高了检测精度。