刘 阳，谢永强，李忠博，齐 锦，李少南

（军事科学院系统工程研究院，北京 100071）

0 引言

目标检测（Object Dection，OD）是一种从视频或者图片中找到感兴趣的区域并标记出来的行为动作，可以通过算法提取特征来识别定位特定类别的对象。目标检测主要应用在人脸识别、无人驾驶、指挥以及安防等领域。目标检测功能的核心不在于硬件设备，而在于算法设计的优劣。不同算法性能的优劣将直接导致目标检测在不同场景下的检测效果。

自1998 年美国工程师提出目标检测概念以来，产生了大量基于手工设计特征的传统算法。这些算法大多是借鉴穷举的思想，在基于滑动窗口生成的候选框内提取特征，并将特征交给分类器去识别。常见方法包括Hear 特征+Adaboost 算法[1-2]、Hog 特征+SVM 算法[3]等。因为早期很多的目标检测算法缺乏有效的特征表示，所以设计了许多复杂的特征表示和在有限资源情况下处理特征加速的技巧。然而，传统的目标检测算法仍存在问题：为生成足够的候选区域，计算机的逻辑运算开销巨大；在提取特征时由于特征较多，筛选过程过于缓慢，分类速度和精度达不到实际应用的标准。Girshick 等[4]率先提出了将具有卷积神经网络的区域应用于目标检测，从而打破了传统目标检测算法性能趋于饱和的僵局。

近15 年来，基于深度学习的目标检测算法研究有了长足的进步。基于深度学习的目标检测算法主要分为基于锚点类模型和基于无锚点类模型两种。基于锚点类模型又分为单阶段方法和二阶段方法。……