深層学習に基づく物体検出アルゴリズム
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 两阶段检测算法
两阶段检测算法首先生成候选区域（Region Proposals），然后对每个候选区域进行分类和边界框回归。代表性算法包括R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）。
### 2.2.2.2 单阶段检测算法
单阶段检测算法直接在图像上进行密集采样，无需生成候选区域，因此速度更快。典型代表有YOLO系列（You Only Look Once）和SSD（Single Shot MultiBox Detector）。
图2-3：不同目标检测算法的架构对比
| 算法类型 | 代表模型 | 精度 | 速度 |
| 两阶段 | Faster R-CNN | 高 | 中 |
| 单阶段 | YOLOv5 | 中高 | 快 |
*注：精度指mAP（mean Average Precision），速度指FPS（Frames Per Second）。
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。目前，基于深度学习的目标检测算法主要分为两类：一类是基于候选区域的目标检测算法，另一类是基于回归的目标检测算法。
### 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主要包括R-CNN系列算法和YOLO系列算法。R-CNN系列算法包括R-CNN、Fast R-CNN、Faster R-CNN等，这些算法通过生成候选区域，然后对候选区域进行分类和回归来实现目标检测。YOLO系列算法包括YOLOv1、YOLOv2、YOLOv3等，这些算法通过将图像划分为网格，然后对每个网格进行预测来实现目标检测。
### 2.2.2.2 基于回归的目标检测算法
基于回归的目标检测算法主要包括SSD系列算法和RetinaNet系列算法。SSD系列算法包括SSD、DSSD等，这些算法通过使用不同尺度的特征图来检测不同大小的目标。RetinaNet系列算法包括RetinaNet、FCOS等，这些算法通过使用焦点损失函数来解决类别不平衡问题。