吴天成, 王晓荃, 蔡艺军, 荆有波, 陈铖颖

(1. 厦门理工学院 光电与通信工程学院，福建 厦门 361024； 2. 中国科学院 微电子研究所，北京 100029)

1 引 言

边防指的是维护国家领土主权和边疆的安定与发展，由边防武装力量在边境地区实施的武装防御和保卫活动[1]。随着信息技术发展的快速发展，边防管控技术的重心也逐渐向信息技术领域转移。本文依托中国科学院微电子研究所的边缘计算终端项目，针对边防监控中目标尺度较小、检测难度高等问题，主要研究提升目标检测算法的检测精度和小目标物体的检测能力，设计了应用于网络边缘嵌入式设备的目标检测算法，协助边防管控。

传统目标检测算法通过手工设计特征的方法并结合SVM[2]、Adaboost[3]等分类器的方法获得检测结果，但是该类方法在精度和速度上都不理想。随着深度学习技术的快速发展，依靠大量的训练数据，自动获取特征的目标检测技术已经代替了传统的目标检测方法[4-6]。基于深度学习的目标检测算法主要分为有两大类：一是双阶段目标检测算法，包括R-CNN[7]、Fast R-CNN[8]和Faster R-CNN[9]。上述几种方法的检测精度高，但耗时较大，且对硬件设备要求较高，部署到移动端设备上也存在较大困难；二是单阶段目标检测算法，单阶段算法直接在图片的多个位置进行分类和回归，从而大幅度提高算法的检测速度。包括YOLO[10]、 SSD[11]。SSD算法在整体回归的思想上，借鉴了YOLO，同时参考了Faster-RCNN的锚点框设计，在运行速度与检测精度上有了较好的平衡。……