データ処理と深層学習による目標検出アルゴリズムの概要
令和8年1月9日|p.102
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。
破産手続廃止
報
随着深度学习技术的快速发展，基于深度学习的目标检测算法在精度和速度上取得了显著的提升。这些算法主要分为两大类：两阶段（Two-stage）方法和单阶段（One-stage）方法。
### 2.2.2.1 两阶段目标检测算法
两阶段目标检测算法通常包含两个主要步骤：首先生成候选区域（Region Proposals），然后对这些候选区域进行分类和边界框回归。这类算法的代表是R-CNN系列模型。
- R-CNN (Regions with CNN features): 使用选择性搜索生成候选区域，然后将每个区域缩放到固定大小并输入到CNN中提取特征，最后使用SVM进行分类。
- Fast R-CNN: 改进了R-CNN，通过共享卷积计算和使用RoI Pooling层，显著提高了检测速度。
- Faster R-CNN: 引入了区域提议网络（RPN），实现了端到端的训练，进一步提升了速度和精度。
官
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 Two-stage 目标检测算法, 另一类是不使用候选区域的 One-stage 目标检测算法。
1. Two-stage 目标检测算法
Two-stage 目标检测算法首先通过选择性搜索 (Selective Search) 或边缘化框 (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, 得到最终的检测结果。典型的 Two-stage 目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN 等。
2. One-stage 目标检测算法
One-stage 目标检测算法直接对输入图像进行端到端的训练, 不需要生成候选区域。典型的 One-stage 目标检测算法有 YOLO、SSD 等。与 Two-stage 目标检测算法相比, One-stage 目标检测算法具有更快的检测速度, 但检测精度相对较低。