韩同强

（重庆邮电大学软件工程学院，重庆400065）

目标检测是数字图像处理领域中一项热门研究，主要包括定位和分类两个任务，被广泛应用在智能监控[1]、无人驾驶[2]、以及航空航天等领域[3]。

SSD[4]是主要的单阶段目标检测算法之一，平衡了单阶段目标检测算法的速度和精度。在原始SSD 算法的金字塔特征层中，不同尺度的特征图之间缺少相互关联的特征信息，并且深层特征图具有较大的感受野，导致特征提取的内容过于抽象，不利于小目标的检测，这些问题使原始的SSD 算法在处理小目标检测任务时受到限制。

1 基于SSD 的改进算法

1.1 网络结构

本文的算法基于SSD 框架，将FPN 的思想整合到网络结构中，整合浅层特征和深层特征以改善每一层的特征表达能力，并在预测层后增加了特征增强模块以增强小目标特征提取能力，另外，本文还将注意机制模块引入网络结构中，以保留更有效的特征信息并抑制其他不相关的信息。算法的整体网络结构如图1 所示。

图1 整体结构

1.2 特征融合

针对SSD 网络模型的特点，本文提出了一种新的特征融合方法，特征融合模块如图2 所示。通过反卷积的方式对深层特征图进行上采样。在两个卷积层之后，添加了归一化层，以更好地整合两个卷积层的特性。最后，使用concate 融合方法将两个特征图进行融合，并通过1×1 卷积减少通道数。

图2 特征融合模块

1.3特征增强模块

图3 特征增强模块

本文在每个卷积层之后引入了一个特征增强模块，以使本文的模型更好地表达目标信息。……