席 磊，刘增力

（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2.昆明理工大学 云南省人工智能重点实验室，云南 昆明 650500）

0 引 言

基于近年来卷积神经网络、深度学习技术以及计算机技术的进步，以神经网络为代表的目标检测技术日益凸显出其卓越的性能和巨大的潜力。自AlexNet［1］诞生后，神经网络用来进行目标检测的工作逐渐增多。各种目标检测模型层出不穷，同时检测性能不断提升。目前，目标检测模型主要分为两类，一类是以RCNN［2］为代表的双阶目标检测器，另一类是以 SSD［3］和 YOLO［4］为代表的单阶目标检测器。SSD是最早出现的单阶检测器之一，不仅达到了实时检测要求，而且在精度上取得了较好的效果。但是，SSD本身的结构并不完善。随着技术的更迭，SSD的改进版不断出现。DSSD［5］利用性能更好的残差网络替代VGG。残差网络相对于VGG有着更好的特征提取能力，结合反卷积进行特征融合后实现了更高的精度，特别是对小目标的检测，取得了更好的效果。但是，由于残差网络计算量的增加，它的检测速度稍慢。FSSD［6］同样采用特征融合策略将低层的特征图拼接融合，将得到的新的尺寸为38×38的低层特征作为基础进行后续的特征提取工作，提高了低层特征信息的提取能力。DenseSSD［7］在结构中设计了DenseSkip模块，模块内部采用类似瓶颈结构，进行多次1×1+3×3的卷积。它的特征复用类似DenseNet，且使用特征金字塔方式进行特征融合。RFBNet［8］则从感受野大小差异带来的信息差异出发，设计了易于迁移使用的RFB模块，利用大小不同的感受野的卷积核进行特征提取。……