Object detection is a classic task

Object detection is a classic task in the field of computer vision. It is the basic premise for advanced visual tasks such as Video Content Recognition (VCR) and Image Understand- ing (IU) [3]. Some traditional object detection methods based on manual features have been gradually eliminated with the advent of neural networks because of their low accuracy

and poor environmental adaptability [4]–[9]. Because of the growth of computing power and the dedicated deep learning chips and the availability of large-scale labelled samples (e.g., ImageNet [10], [11], PASCAL VOC [12] and
MS-COCO [13]), Convolutional Neural Network(CNN) has been extensively studied due to its fast, scalable and end to-end learning framework.

結果 (繁體中文) 1:

目標檢測是計算機視覺領域的一個經典任務。它是先進的視覺任務，例如視頻內容識別（VCR）和圖像Understand-荷蘭國際集團（IU）的基本前提[3]。基於手動的特徵的一些傳統的物體檢測方法已與神經網絡的出現逐漸被淘汰，因為它們的低精度

和差的環境適應性[4] - [9]。因為計算能力和專用深學習芯片和大規模標記的樣品（例如，ImageNet [10]，[11]，PASCAL VOC [12]和的可用性的增長的
MS-COCO [13]），卷積神經網（CNN）已被廣泛研究，因為它快速，可擴展和終端到終端的學習框架。

結果 (繁體中文) 2:

物體檢測是電腦視覺領域的一項經典任務。它是高級視覺任務（如視頻內容識別 （VCR） 和圖像理解 （IU） [3] 的基本前提。一些基於手動功能的傳統物件檢測方法由於精度低，隨著神經網路的出現而逐漸被淘汰。

環境適應性差[4][9]。由於計算能力和專用深度學習晶片的增長，以及大型標籤樣品（例如，ImageNet [10]、[11]、PASCAL VOC [12] 和
MS-COCO [13]），卷積神經網路（CNN）因其快速、可擴展和端到端的學習框架而得到了廣泛的研究。

結果 (繁體中文) 3:

目標檢測是電腦視覺領域的經典課題。這是視頻內容識別（VCR）和影像理解（IU）等高級視覺任務的基本前提[3]。隨著神經網路的出現，一些傳統的基於人工特徵的目標檢測方法由於精度較低而逐漸被淘汰。
環境適應性差[4]-[9]。由於計算能力的增長和專用的深度學習晶片，以及大規模標記樣本的可用性（如ImageNet[10]、[11]、Pascal VOC[12]和
卷積神經網路（CNN）由於其快速、可擴展和端到端的學習框架而得到了廣泛的研究。