李红光，于若男，丁文锐

1.北京航空航天大学 无人系统研究院，北京 100191 2.北京航空航天大学 电子信息工程学院，北京 100191

目标检测结合了目标定位与目标分类两大任务，被广泛应用于人脸识别[1]、行人检测[2]、自动驾驶[3-4]、智能监控[5]等计算机视觉领域，为图像和视频的高级语义理解提供有价值的信息。随着计算机科学技术的发展，基于深度卷积神经网络的特征提取技术被广泛应用于计算机视觉任务中，目标检测完成了从基于传统手工设计特征的检测方法到基于卷积神经网络的深度学习方法的变迁，随后基于卷积神经网络的目标检测算法迅速成为图像处理领域研究的主流。该方法通过设计各种结构的网络模型和强大的训练算法来自适应地学习图像高级语义信息的表示，完成对目标的分类和定位，在检测精度和效率方面均有很大的提升，并且对环境的适应能力较强。

然而，当前的目标检测算法大多针对于自然场景中分布较为稀疏的中大型目标，如经典的两阶段方法[6-8]首先通过选择性搜索、边缘检测、区域提取网络等方法生成可能包含目标的候选区域集合，再利用卷积神经网络对候选区域做特征提取，进行精确的目标类别估计和边界框位置回归，具有高精度的优势，但处理效率低、推断速度慢，不适用于实时性要求高的检测任务。单阶段方法SSD[9]和YOLO系列算法[10-11]不需要提取目标候选区域，直接对输入图像进行卷积特征提取，在特征图上进行边界框的回归，将目标检测过程转化为回归问题处理，具有速度上的优势。……