闫建伟，张乐伟，赵源，张富贵

(1.贵州大学机械工程学院，贵阳市，550025；2.国家林业和草原局刺梨工程技术研究中心，贵阳市，550025)

0 引言

近年来，随着深度学习理论研究的不断深入，基于Anchor目标检测框架已成为国内外卷积神经网络领域研究的热点。当前，对基于Anchor的目标检测框架的研究主要分为两类：一类是基于区域候选框的二阶段目标检测框架(two stage)算法，该方法先在图像上生成若干可能包含目标的候选区域，然后通过卷积神经网络(Convolutional Neural Network，CNN)分别对这些候选区域提取特征，最后通过卷积神经网络进行目标位置的回归与类别的识别，典型的算法有R-CNN(Region Convolutional Neural Network)[1]、SPPNet(Spatial Pyramid Pooling Networks)[2]、Fast RCNN[3-4]、Faster RCNN[5-6]、FPN(Feature Pyramid Networks)[7]、R-FCN(Region-based Fully Convolutional Network)[8]等；另一类为一阶段目标检测框架(one stage)算法，该方法直接从图片获得预测结果，将整个目标检测任务整合成一个端到端的任务，而且只处理一次图像即可得到目标的类别与位置信息，典型的算法有SSD(Single Shot multibox Detector)[9]、YOLO(You Only Look Once)[10-12]、DSSD(Deconvolutional Single Shot Detector)[13]、FSSD(Feature fusion Single Shot multibox Detector)[14]以及RetinaNet[15]等。二阶段目标检测算法比一阶段目标检测算法具有更高的准确率和定位精度，而一阶目标检测算法RetinaNet在COCO测试集上的结果高于二阶目标检测模型[15]。在RetinaNet目标检测算法方面，宋欢欢等[16]将其网络层数增加到152层，并且加入了MobileNet的设计思想，对其加速和压缩，有效地提高了准确率。刘革等[17]为了提高模型的前向推断速度，用MobileNet V3替换ResNet-50[18]用于基础特征提取网络。张物华等[19]在基础特征提取网络中加入特征通道注意力机制模块，突出特征图中的特征通道，以提高精度。王璐璐等[20]在C3、C4层加入通道注意力模块，同时，为缓解网络的过拟合问题，在通道注意力模块的全连接层加入随机失活机制，从而增强网络的鲁棒性。……