符惠桐,王鹏,李晓艳,吕志刚,邸若海

(西安工业大学电子信息工程学院,710021,西安)

目标识别的主要研究内容是从海量图像中高效、准确地定位和识别预定义的特殊目标[1]。深度学习强大的表征能力和建模能力在很大程度上克服了复杂环境、光照变换、物体形变等对识别结果的影响[2-3]。在多种领域,传统的人力活动将被智能化、无人化的智能设备所取代[4]。此外,在实际生活中,可见光图像大多受到光线、遮挡或者背景复杂等因素的影响,目标识别精度降低[5-6],而且人们也无法携带大型设备来支撑基于深度学习的目标检测算法,将轻量化的目标检测模型植入嵌入式设备才更接近于实际生活的使用要求[7]。目前,大多数的目标检测算法需要GPU的加速支持才能在短时间内训练完成深度学习算法,达到实时检测的效果[8]。

随着计算机硬件水平的发展,计算机的算力资源得到极大提升,基于深度学习的目标识别算法发展也日新月异。2017年,Howard等提出了轻量级骨干网络MobileNets,引入深度可分离卷积模块,减少了大量的卷积运算与浮点运算[9],但网络本身参数少,提取特征能力不足,识别精度较低。2019年,Lee等基于VoVNetV2骨干网络提出了一种轻量化的无锚点目标检测实时算法CenterMask-Lite[10],对骨干网络进行优化,缓解通道信息丢失问题,在COCO数据集[11]上均值平均精度(mAP)达到40.7%,但需要类似于RTX 2080Ti显卡的算力支持。同年,Google公司的Tan等提出了可扩展的目标识别模型EfficientDet,基于神经网络架构搜索技术提出了多种规模模型以适应不同平台[12],但存在小规模模型精确度不足、大规模模型训练困难的问题。……