宦 海，陈逸飞，张 琳，李鹏程，朱蓉蓉

（南京信息工程大学电子与信息工程学院，南京 210044）

0 概述

目标检测作为计算机视觉领域的主要研究方向，长期以来受到广泛关注，相关技术已被应用于医学图像检测、火灾检测、汽车无人驾驶等领域。

基于深度学习的目标检测是近年来研究的热点，国内外研究人员针对目标检测网络中存在的不足进行改进。针对网络训练效率低的问题，HE 等［1］通过残差网络解决了深层网络难以收敛的问题。LOFFE 等［2］提出批归一化（Batch Normalization）解决网络训练过程中梯度消失的问题。REDMON等［3］等提出目标预测与检测过程一体化，大幅缩短了网络检测时间。针对待检测目标尺寸差异大、难以有效检测的问题，LIU 等［4-5］通过多尺度特征信息的融合，提升了网络对多尺度目标的检测能力。SIEGEDY 等［6-7］使用Inception 结构及改 进金字塔结构，提升网络对的尺度信息获取。DAI 等［8］通过空洞卷积思想构建可变性卷积，提升了网络对多尺寸目标的检测能力。针对网络检测时存在过多冗余信息的问题，MA 等［9］使用注意力机制，实现目标特征权重再分配，减少了冗余信息的干扰。ZHU 等［10］通过Anchor-free 实现对目标位置及大小的预测，通过减少网络议框产生的数量以减少冗余信息。针对网络目标定位能力弱的问题，XIAO 等［11］通过对多尺度显著图进行融合以提升对显著目标的检测完整性。ZHENG 等［12-13］通过引入目标区域惩罚项提升目标定位能力。QING 等［14］使用层级偏移，提升目标预测区域的定位以及检测精度。针对网络中浅层目标特征信息难以实现目标的分类问题。……