黄文斌，陈仁文，袁婷婷

南京航空航天大学 机械结构力学及控制国家重点实验室，南京210016

随着深度学习的发展，计算机视觉被广泛引用于无人机等嵌入式移动设备上。无人机应用范围广泛，在航拍、侦查、搜救等场景中发挥巨大作用。在执行这些任务中，核心的任务之一就是目标检测，识别通过机载航拍摄像头捕捉到图像中的目标，对目标分类和定位。

利用无人机进行目标检测和其他目标检测任务相比，面临着许多挑战：（1）航拍影像不稳定性，高度和角度变化大，目标尺寸变化大和照明条件变化大。（2）机载计算设备算力低下。（3）精度和和速度难以权衡。

目前，基于卷积神经网络的目标检测算法大致分为两类：一是双步目标检测（two stage），首先通过网络产生候选区域，再放进卷积模型进行分类。如2014年Girshick提出区域的卷积神经网络[1]（RCNN）、后来又相继提出Fast R-CNN[2]、Faster R-CNN[3]、R-FCN[4]、Mask R-CNN[5]等。二是基于回归思想的单步（one stage）目标检测，如2016年Redmon等人提出YOLO网络[6]，其基本过程为首先将图片划为S×S的网格，然后每个网格负责检测落在该网格中心的目标且预测两个边界框（bounding box）和类别信息，最后在输出层直接输出边界框和类别信息，该算法在Pascal VOC2012数据集上mAP达到63.4%，每秒检测45帧图片，此外针对YOLO网络目标检测准确度低的问题研究人员相继提出SSD[7]、YOLOv2[8]、YOLOv3[9]、YOLOv4[10]、YOLOv5[11]

等。单步目标检测算法特别是YOLO系列检测算法速度明显远远快于双步目标检测算法，精度稍低于双步，但仍在可接受范围内[12]，受到大多数工程应用青睐。

尽管如此，作为深度卷积网络模型，YOLO网络仍然过于复杂，对于无人机硬件造成一定压力。……