董潇潇，何小海，吴晓红，卿粼波，滕奇志

(四川大学 电子信息学院，四川 成都 610065)

1 引 言

目标检测是结合了目标定位和识别2个任务的一项基础性计算机视觉任务，它的目的是在图像的复杂背景中找出若干目标，给出一个精确的目标边框(Bounding box)，并判断该边框中目标所属的类别[1]。目标检测在人工智能和信息技术的诸多领域如机器人视觉、消费电子、自动驾驶、人机交互、基于内容的图像检索、智能视频监控[2-3]等有着广泛的应用。

目前，基于深度学习的目标检测算法主要分为两类，一是单阶段方法，二是两阶段方法。两阶段方法将检测问题划分为两个过程，首先产生区域建议(Region proposals)，然后对候选区域进行分类和边界框回归，这类算法的典型代表是基于区域建议的R-CNN系列算法，如R-CNN[4]、SPPNet[5]、Fast R-CNN[6]、Faster R-CNN[7]、Mask R-CNN[8]等。一阶段方法采用基于回归的思想，跳过区域建议阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可得出最终的检测结果，故在检测速度上有更好的结果，其代表性算法有：YOLO[9]、SSD[10]、Focal Loss[11]等。SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用多尺度的特征图谱进行回归，既保持了YOLO速度快的特性，也保证了Faster-RCNN精度高的优点。随后为了进一步提高SSD的精度和对小目标的检测能力，各种不同的方法被提出来。Fu等[12]为了提高浅层特征的表征能力，将基础网络由VGG替换为ResNet,并借助反卷积模块以增加各层之间的上下文信息,提高了对小目标的检测能力，但是速度相对于SSD却大幅下降。Liu等[13]从人类视觉的感受野结构出发，提出了感受野模块(RFB),通过构建多分支卷积层和随后的空洞卷积层以加强网络学习到的深层特征。……