郭昕刚， 纪超群

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

目标检测在无人驾驶领域是必不可少的环节[1]，通过对道路场景中的目标进行精准检测,可为系统提供更加准确的环境信息，使系统对当前的场景做出更加准确的判断与处理。

目前较好的目标检测算法大多数使用深度卷积神经网络来实现[2]。基于深度学习的主流目标检测算法可以分为两类，即检测精确度较高的基于区域的检测算法(R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]等)和偏向于检测速度的基于回归的检测算法(YOLO[6]、YOLOv2[7]、YOLOv3[8]、SSD[9]等)。随着两类算法的不断完善，不仅算法的网络结构与模型参数在不断增加，而且模型运行对硬件设施的要求也越来越高。在现实应用场景中使用的移动终端与嵌入式设备往往不能满足模型的运行条件，导致算法不能很好地向移动端或嵌入式设备上进行部署。通常对较大模型进行压缩,进而减小模型中不必要的计算参量，使其能够进行移植，但模型压缩往往会减少模型内部的连接结构，对模型产生一些影响；另一种方法是重新设计算法的网络结构，通过对网络结构进行优化，从而减少网络模型的参量。轻量级网络Mobilenets[10]是Google在2017年提出适用于移动端部署的神经网络，在减少网络层数的同时,使用深度可分离卷积替代标准卷积，减少卷积的计算开销，增强网络计算效率，使模型变小。

在目标检测算法中，SSD算法兼顾速度与精度[11]。SSD相对于two-stage算法在速度上有了极大的提升，虽然在速度上与YOLO依旧存在差距，但在精度方面比YOLO算法提高了很多。……