张 伟

(北京信息科技大学 自动化学院，北京 100192)

0 引言

目标检测是计算机视觉领域重要任务之一，在无人驾驶、视频监控等方面有着广泛的应用。目标检测包括目标分类和目标定位。早期由于视觉技术和计算机硬件设备等因素的限制，传统目标检测算法要依据人工标注特征，对特定的检测目标要设计和训练分类器，如DPM(deformable parts model)和Adaboost。近些年，随着深度学习和卷积神经网络在计算机视觉领域的应用不断发展，基于深度卷积神经网络的目标检测算法不断涌现，在目标检测领域取得了巨大的成功。基于深度卷积神经网络的目标检测算法分为两类：一类是以RCNN[1-3]系列为代表的两阶段方法，另一类是以SSD[4-6]系列和YOLO[7-10]系列为代表的一阶段方法。

基于深度学习的目标检测方法的检测速度在不断加快，其准确率也在不断提高，但是在算法实现的过程中会出现不平衡问题，导致检测模型的性能降低。不平衡问题的出现引起广大研究者的关注。最典型的不平衡问题是前景类别(正类)和背景类别(负类)的不平衡。它主要表现在给定图像数据集中会有数量较少的正样本和数量较多的负样本，正负样本之间会呈现出极度不平衡状态。数据集中不平衡的样本使模型在训练过程中侧重样本数目较多的类别，而“轻视”样本数目较少类别，导致模型在测试数据上的泛化能力和准确性方面受到严重影响。

目标检测不平衡问题可以分为4类：类别不平衡问题、尺度不平衡问题、空间不平衡问题、优化目标不平衡问题。……