杨 辉，权冀川，梁新宇，王中伟

1.陆军工程大学 指挥控制工程学院，南京210007

2.中国人民解放军73658部队

目标检测算法的研究有着近二十年的历史，由最初检测线段，逐步发展到检测人脸、行人等常见目标，到现在检测复杂的、形态各异的目标。近年来，由于目标检测技术的不断完善，计算机硬件设备的不断发展，目标检测已经逐渐应用到人们的生产生活中，例如在视频监控[1]、自动驾驶系统[2]、人脸识别系统[3]、医学图像目标检测[4]等领域具有非常多的应用。

传统的目标检测算法主要由三步骤组成，区域选择、特征提取和分类器设计。首先是在图像上选择候选区域，得到多个大小不一的候选框，再对每个候选区域进行特征提取，然后将提取到的特征放入分类器中进行类别判断和回归处理，得到最终的检测结果。这种检测算法的效果并不理想，检测效率低，计算复杂度高。

2014年文献[5]将深度学习方法用在目标检测任务中，相比于传统目标检测算法，该方法取得了惊人的效果。此后，基于深度学习的目标检测算法逐渐成为主流的方法。然而，该类模型的检测结果严重依赖于候选区域的数量和质量，检测速度较为缓慢。针对这个问题，文献[6-9]提出了相应的算法，在很大程度上提高了检测速度。近几年，YOLO[10-13]、SSD[14]、RetinaNet[15]等一阶段算法也在不断发展，进一步提高了检测速度，但是检测精度有所降低。

尽管上述强监督目标检测算法已经取得了很好的效果，但强监督目标检测算法模型需要在大规模标注精度高的数据集上进行训练，检测结果严重依赖于数据集标注的精度。……