马佳良，陈 斌，孙晓飞

（1.中国科学院成都计算机应用研究所，成都 610041；2.中国科学院大学计算机科学与技术学院，北京 100049；3.哈尔滨工业大学（深圳）人工智能研究院，广东深圳 518055）

（*通信作者电子邮箱chenbin2020@hit.edu.cn）

0 引言

近年来，随着深度卷积神经网络（Convolutional Neural Network，CNN）的发展，计算机视觉研究人员见证了目标检测技术的快速进步。基于深度学习的目标检测器可分为两类：二阶段检测器［1-5］和一阶段检测器［6-8］。一阶段检测器直接产生目标的类别概率和位置坐标，经过一次检测即可直接得到最终的检测结果。二阶段检测器则首先产生候选框，然后再对每个候选框预测类别和位置。二阶段检测器具备错误率低和漏报率低的特点，因此无论是在工业应用还是学术研究中，针对二阶段检测器的改进都受到广泛关注。

二阶段检测器的检测流程如图1 所示，首先将一张图片输入骨干网络提取特征，然后在图片上均匀铺设矩形锚框，再根据锚框和目标的交并比进行排序筛选，确定训练样本，最后在特征图上裁剪目标特征送至后续的子网络进行训练。这个流程简单有效，几乎成为了所有二阶段检测器的固定范式。基于该范式，检测器训练的成功与否取决于两个关键方面：1）所选区域样本是否具有代表性；2）输入任务网络的视觉特征是否准确。使用物体的最小外接矩形来表示目标的位置虽然很适合卷积运算，但这种形状无关的设计显然弱化了目标的表示能力。这给上述两个方面带来了显著的问题，这些问题不仅阻碍了模型功能的充分利用，还限制了模型的检测性能。……