张 伟，庄幸涛，王雪力，陈云芳，李延超

(南京邮电大学计算机学院，江苏 南京 210023)

近年来，无人机（Unmanned Aerial Vehicles，UAVs）凭借其体积轻便、运动灵活和能耗较低等优势，在军事与民用领域发挥了不可替代的作用。同时，图像分类[1]、语义分割[2]和目标检测[3]等计算机视觉技术的应用极大地提升了其感知能力，辅助用户甚至独立地处理一些特定的感知和计算任务。军事方面，无人机可在危险地区执行情报搜集、航线侦察、安防巡检、目标监控和精确打击等多种作战任务；民用方面，其在航拍记录等单一任务中的应用已成为行业常态。然而，对于一些复杂的民用任务，无人机的应用大部分仍还停留在试验阶段，其很大程度上是因为无人机所依赖的定位导航、信号传输以及智能计算等系统在工作环境方面存在较高的要求，限制了无人机应用的普及。

目标检测是指从图像中检测出目标位置并识别目标类别，是城市安防、自动导航、医疗诊断、增强现实等领域最基础、最重要的应用之一[4]。RCNN[5]、YOLO[6]、SSD[7]等基于卷积神经网络的目标检测方法克服了手工构建特征等问题，获得了较好的实用性能，但这类方法往往需要高算力服务器[8]的支持，由此带来的硬件成本和传输时延对于需要在移动设备终端部署、实时性要求较高的目标检测任务依然是无法接受的。

在移动端部署深度神经网络算法实现有效的目标检测其难点主要体现在两个方面：

（1）移动平台算力资源有限。随着目标检测算法在基准数据集上的表现不断提升，目标检测器的特征提取主干网络也呈现出越来越深、越来越密集的发展趋势，这同时也带来了巨大的算力消耗。……