令和8年6月および深層学習による目標検出アルゴリズム（詳細）
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。
### 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：第一阶段生成候选区域（Region Proposals），第二阶段对这些候选区域进行分类和边界框回归。Faster R-CNN 是这一类算法的代表，它通过引入区域提议网络（RPN）来加速候选区域的生成过程。
### 2.2.2.2 端到端的目标检测算法
端到端的目标检测算法将目标检测任务视为一个单一的回归问题，直接从输入图像中预测目标的类别和位置。YOLO（You Only Look Once）和 SSD（Single Shot MultiBox Detector）是这一类算法的典型代表，它们具有较快的检测速度，适用于实时应用场景。
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（Region Proposal）的方法，如R-CNN系列；另一类是端到端（End-to-End）的检测方法，如YOLO和SSD。
2.2.2.1 R-CNN系列算法
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。它首先生成一系列候选区域，然后使用CNN提取每个区域的特征，最后通过SVM进行分类和边界框回归。后续的Fast R-CNN和Faster R-CNN在此基础上进行了改进，提高了检测速度和精度。
2.2.2.2 YOLO和SSD算法
YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）是两种典型的单阶段检测算法。它们直接将图像划分为网格，并在每个网格单元上预测边界框和类别概率。这类算法具有较快的检测速度，适用于实时应用场景。