杨玉敏 廖育荣 林存宝 倪淑燕 吴止锾

（1.航天工程大学研究生院 北京 101400）（2.航天工程大学电子与光学工程系 北京 101400）（3.洛阳电子装备试验中心 洛阳 471000）

1 引言

随着近年来卷积神经网络（Convolutional Neu⁃ral Networks，CNN）在计算机视觉领域的广泛应用，基于CNN的目标检测算法得到了迅猛发展。Gir⁃shick等于2014年提出了R-CNN（Regions with Con⁃volutional Neural Network）［1］算法，首次基于CNN 框架大幅提高了目标检测的平均精度均值（Mean Av⁃erage Precision，mAP）。随后各种基于CNN的目标检测算法，包括基于候选区域的R-CNN改进算法Fast R-CNN［2］、Faster R-CNN［3］、Mask R-CNN［4］，以及基于回归方法的YOLO（You Only Look Once）系列［5～7］与 SSD（Single Shot MultiBox Detector）系列［8～11］算法先后被提出，显著提高了目标检测算法在检测精度和实时性方面的性能。

虽然R-CNN、YOLO、SSD系列算法在目标检测性能方面效果优异，但其普遍具有较高的计算复杂性和较大的模型体积，无法充分满足计算能力、存储空间、功耗等资源受限场合的应用需求。为了提高目标检测算法在嵌入式平台等资源受限条件下的应用能力，各种轻量化目标检测算法，包括Light-Head R-CNN［12］、Tiny-YOLO［5］、Tiny-SSD［13］等算法先后发展而来，有效提高了轻量化目标检测算法的性能水平。本文旨在归纳现有轻量化CNN的基础上，重点对轻量化目标检测算法进行系统总结，并结合各算法在PASCAL VOC［14～15］等数据集上的测试结果进行对比分析和发展方向探讨。

2 轻量化网络模型与目标检测算法研究进展

基于候选区域和回归方法的目标检测算法虽然性能优异，但其模型大小和参数量相对较大，通常为百MB大小和百M参数量，且其计算复杂度较高，对于内存空间和计算能力受限的嵌入式系统而言通常难以满足要求。……