王文庆，丰 林，刘 洋，马晓华，杨东方

(1.西安邮电大学 自动化学院, 陕西 西安 710121；2.火箭军装备部驻南京地区 第二军事代表室， 江苏 南京 210023；3.火箭军工程大学 导弹工程学院，陕西 西安 710025)

深度学习作为机器学习的重要分支，已被广泛应用于文字识别、语音识别、目标检测、自然语言处理、自动驾驶、生物信息处理、电脑游戏、推荐系统、医学自动诊断和金融分析等各大场景[1]。卷积神经网络(Convolution Neural Network，CNN)作为深度学习的典型模型，在图像分类、图像分割与目标检测领域获得了一系列的研究进展[2]。自AlexNet[3]之后，相继出现了各种新型卷积神经网络结构，如计算机视觉组(Visual Geometry Group，VGG)Net[4]、GoogLeNet[5]、ResNet[6]和DenseNet[7]，它们作为目标检测的主干网络逐步提升了检测的准确率，但其总体趋势仍局限于使用更深层更复杂的网络实现更高的分类精度。

得益于空中监测范围广的优势与嵌入式平台的普及，无人机被广泛应用到实际的检测任务中，如自然灾害分析、道路交通检测和抗灾救险等。在无人机边缘计算平台实际部署中，主要面临3个方面的挑战[8]：在空对地场景下，经常出现密集的小型目标，该情况下虚检率与漏检率较大，保持良好的检测性能是一个基本条件；基于深层卷积神经网络的目标检测算法参数量过大，不利于直接部署在内存与算力有限的嵌入式设备上；如何尽可能的满足性能与实时检测的要求。

自R-CNN(Region-CNN)模型引入之后，更多检测框架相继被提出，如Faster R-CNN[9]、单步多框检测(Single Shot MultiBox Detector，SSD)[10]和YOLO(You Only Look Once)[11]等。其中，YOLO系列模型的精度和速度一直在提升，实际应用更加广泛。……