赵天晖

（北方工业大学 信息学院，北京 100144）

0 引言

深度学习在计算机视觉中有着很多应用，比如，交通领域中的无人智能驾驶，医学领域中的医疗图像智能诊断，教育领域中的学生注意力检测等。目标识别中的人脸检测、车辆检测和行人计数已经成熟地运用到社会生活中的方方面面。

在智能家居领域，通过目标识别方法来识别衣物种类，可以将整个方案与空调控制台相结合。通过摄像头识别出人身穿的衣物种类从而调节空调的温度，实现真正的不用手动操作的智能家居。

1 相关研究

截至今日，目标检测体系逐渐趋于成熟。目标检测模型主要分为两大类别：两阶段模型和单阶段模型。知名的R-CNN 系列目标检测模型作为两阶段模型的代表，其主要做法是：首先，将输入的图片划分区域，获得数个候选框，再对每个候选框进行分类，最后回归出每个目标的检测范围。但两阶段模型在计算效率方面并不占优，难在短时间内获得有效的目标检测结果，并不能适用于智能家居领域的实时检测。

不同于两阶段模型，Yolo 模型和SSD 模型作为单阶段模型的代表，可以在网络中直接检测出目标的位置和种类及其置信度。这一操作使得目标检测的时间大大减少，令目标检测的实时性成为可能。由于单阶段目标检测模型在步骤上相较于双阶段模型少了一步，所以精度上较后者略逊一筹。

衣物识别将是未来智能家居领域的关键技术之一。考虑到智能家居应用中硬件条件的限制，需要使用轻量级网络来代替复杂网络进行衣物识别过程，进而减轻对硬件资源、规模以及性能的要求。……