黄靖淞，左颢睿，张建林

（1.中国科学院光电技术研究所，成都 610209；2.中国科学院大学 计算机学院，北京 100049）

0 概述

近年来，卷积神经网络被广泛地应用到计算机视觉、自然语言处理等领域，各种新的检测算法被不断提出，然而设计的深度学习模型多数是为了追求更高的精度［1］和更好的性能，而忽略了模型的大小和推理速度。

在目标检测领域，REDMON 等提出了YOLOv1［2］、YOLOv2［3］、YOLOv3［4］系列算法。因其在速度和精度之间实现了较好的权衡，而引起了学术界和工业界的广泛关注。以Faster R-CNN［5］为代表的双阶段网络先生成候选区域，再提取特定的特征进行目标检测，虽然精度较高，但计算复杂度也很高，难以在有限算力的情况下实现实时检测。以YOLO 为代表的单阶段目标检测算法将生成候选区和检测合二为一，直接得到最终的检测结果，使得网络结构变得简单，检测速度较Faster R-CNN 有近10 倍的提升，这使得深度学习目标检测算法满足实时检测条件成为可能。

MobileNet 是由谷歌在2017 年提出的，是一款专注于在移动设备和嵌入式设备上的轻量级卷积神经网络，并逐步发展为MobileNetv1［6］、MobileNetv2［7］、MobileNetv3［8］3 个版本。相比于传统的卷积神经网络，在准确率小幅降低的前提下，大幅减小了模型参数和运算量，其中最重要的创新是提出了深度可分离卷积，用深度可分离卷积替换标准卷积可以减少计算量和参数量，提升前向推理速度。

另外，网络剪枝也是网络压缩和加速中一个重要的方向，剪枝就是去除网络中一些不重要的神经元，大幅降低了计算量和权重数量，提高了网络运行效率［9］。……