付佐毅，周世杰，李顶根

1.华中科技大学 能源与动力工程学院，武汉 430074

2.华中科技大学 中欧清洁与可再生能源学院，武汉 430074

1 引言

近年来，深度卷积神经网络成为计算机视觉的主流技术手段，正在被广泛应用到各个领域。然而深度学习模型所设计和使用的神经网络通常是为了追求性能而忽略模型的体积和速度[1]。在将目标识别深度神经网络应用到各领域时，视觉目标识别的各个功能模块对神经网络的速度要求非常高，一些业界领先的深度神经网络并不能达到这种要求。RCNN 系列网络模型（包括fast RCNN，faster RCNN）[2-4]不断将识别的准确率进行了提升，但都对帧速度没有做很大的关注（帧速值较低）。Liu等人[5]提出的SSD模型具有较高的识别准确率（74%map）以及帧速（TitanX GPU 上为59 帧/s），但没有考虑模型的体积问题。YOLO[6-8]系列网络模型在具备较高的识别准确率的同时达到了较高的帧速（70 帧/s 左右，在不同的数据集有不同的表现），但没有考虑网络模型的体积问题。吴进等[9]设计了一种紧凑型卷积神经网络，使用多个小型卷积层，减少了网络的参数量并得到较高的准确率。本文使用轻量化措施设计一种轻量级的深度卷积网络，并将其应用到智能驾驶领域。轻量级深度卷积神经网络具有在保证准确率的前提下，内存占用小、模型体积小、运算速度快等特点，适合应用于智能驾驶的目标感知。

2 轻量化深度卷积神经网络的结构设计

在智能驾驶汽车的检测系统中，目标检测需要使用车上摄像头捕获汽车周围环境，识别出障碍物，并利用雷达等传感器确认障碍物的空间，然后路径规划决策系统再给出合理的路径，使得智能驾驶汽车在行驶中绕开障碍物。……