肖振远，王逸涵，罗建桥，熊 鹰，李柏林

（西南交通大学机械工程学院，成都 610031）

0 引言

目标检测作为计算机视觉研究的热点，在图像识别和目标追踪等领域得到了广泛的应用。近年来随着卷积神经网络（Convolutional Neural Network，CNN）的发展，涌现出了诸多优秀的目标检测网络算法：基于锚框的检测算法［1-5］和基于无锚框的检测算法［6，7］。基于锚框的算法又可分为基于两阶的目标检测算法（如区域卷积网络（Regions with Convolutional Neural Network，R-CNN）［1］、快速区域卷积神经网络（Faster Regions with Convolutional Neural Network，Faster-RCNN）［2］等）和基于一阶的目标检测性算法（如单阶多框检测器（Single Shot multibox Detector，SSD）［3］、单阶改进目标检测器（Single-Shot Refinement Neural Network for Object Detection，RefineDet）［4］以 及YOLOv3（You Only Look Once version 3）［5］等）。基于无锚框的算法又可分为基于角点的目标检测算法［6］和基于中心点的目标检测算法［7］。在模型训练过程中，这些目标检测算法通常会遇到一个共同的问题：类间样本不平衡［8］。类间样本不平衡即某些类别样本数目远大于其他类别的情况，包括前景和背景间的不平衡以及前景类间样本不平衡。不平衡问题如不解决，会导致检测器对小类样本检测准确度低下，最终降低模型的性能。

针对类间样本的不平衡问题，许多学者进行了研究［9-16］。在基于锚框的检测器中，两阶检测器通常利用二阶级联和启发式抽样方法来解决类间样本不平衡：在第一阶段通过生成特定候选目标的方式过滤大量冗余的背景样本，如学习分割候选目标［9，10］、选择性搜索［11］、基于边缘的目标建议［12］等；在第二阶段采用启发式抽样方法平衡前景和背景之间的样本数量，如固定前景和背景的比例1∶3［3］、在线难样本挖掘［13］等；……