赵义飞，王 勇

(北京工业大学 信息学部，北京 100124)

0 引言

目前基于深度学习的目标检测算法可分为单阶段检测算法和两阶段检测算法两类。单阶段目标检测算法以SSD[2]和Yolo[3-5]系列算法为代表，是一种通过在卷积神经网络提取的特征图上设置锚点，并对每个锚点上预设的不同大小和长宽比例的边界框进行检测的方法。两阶段目标检测算法以RCNN[6-8]系列算法为代表，先在特征图上采用额外步骤生成候选区域，再对候选区域进行检测。与单阶段算法相比，两阶段算法一般拥有更高的检测精度，但由于增加了额外的运算量，检测速度也相对较低。

基于深度学习的目标检测算法拥有很好的性能，同时也有着更高的模型复杂度和计算量。实际应用中，由于功耗、成本等限制，这些模型是难以直接部署的。为了使目标检测任务能在移动设备等难以提供高额算力的硬件上更好地完成，本文提出了一种基于轻量级网络的检测算法，并通过引入注意力机制使得原始特征图具有更细粒度的特征表达能力，从而获得更好的检测效果。

1 特征金字塔网络

基于深度学习的目标检测算法中，SSD[2]算法通过多级检测的方式在不同尺度的原始特征图上各自进行预测，而FPN[9]则进一步通过一种自顶向下的简单的特征融合方式从原始特征图中重构出特征金字塔，将网络浅层的强位置信息与深层的强语义信息相结合。PANet[10]在FPN 的基础上添加了自底向上路径聚合的结构，利用网络浅层的位置信息增强了整个特征层次，缩短了浅层与深层特征之间的信息路径。……