文 韬，周稻祥，李 明

（太原理工大学大数据学院，山西晋中 030600）

0 概述

深度学习能够实现数据的分级特征表达且具有强大的视觉信息处理能力，而特征信息质量直接影响深度学习框架的判别精度，且现有判别模型多数采用顶层抽象特征或相邻层特征组合进行识别判断。由于关注局部信息而忽略全局信息的特征不平衡问题造成特征信息利用率较低，因此对全局均衡特征问题进行深入研究是机器视觉领域中的热点与难点。

目前，特征提取框架主要有单阶段与两阶段检测方法。其中，单阶段检测方法以基于深度学习的回归算法为主，仅需运行一次检测网络，速度较快但精度较低。文献［1］提出单发多盒探测器（Single Shot multi-box Detector，SSD）算法，该算法仅需单次运行卷积神经网络（Convolutional Neural Network，CNN）［2］即可得到结果，但存在识别准确率不高的问题。针对以上问题，文献［3-5］提出YOLO 系列算法，通过引入批量归一化（Batch Normalization，BN）［6］进一步提高网络识别速度与准确率。两阶段检测方法提取候选区域并对其相应区域进行分类。从整体上来看，两阶段检测算法的识别精度较高，但识别速度比单阶段检测方法低。文献［7］提出区域卷积神经网络（Regional-CNN，R-CNN），并利用选择搜索算法产生大量候选区域，进而对候选区域进行检测分类，但该算法的时间开销大，导致R-CNN 检测速度较慢。Fast R-CNN［8］通过权重共享方式实现网络的端到端训练，有效缩短网络时间开销，但是选择搜索算法的时间开销较大问题仍未解决。因此，Faster RCNN［9］使用区域建议网络替代选择搜索算法，有效减少产生候选区域的时间开销。……