梁礼明， 钱艳群， 熊 文， 蓝智敏

(江西理工大学 电气工程与自动化学院,江西 赣州 341000)

0 引 言

近年来，卷积神经网络(convolutional neural network,CNN)在图像分类、目标定位与检测等计算机视觉领域取得了显著的成就。与分类任务不同，目标检测在范围很广的尺度上定位和检测多个目标时存在着自身的挑战。目前最先进的单级目标检测器(DSSD[1],RetinaNet[2]和RefineDet[3])和两级目标检测器(Mask R-CNN[4]和DetNet[5])普遍使用特征金字塔来处理不同物体尺度变化的问题。尽管这些检测器取得令人振奋的检测效果，但面对目标检测中尺度范围太广，对各个不同范围的目标检测效果不明显这一难点，仍然不能很好地解决。造成这种现象的原因主要是：1)检测器中所设计的特征金字塔原用于分类识别任务，对于检测任务来说特征表示能力不足；2)特征金字塔中每个预测的特征图仅来自一个或两个层，不能充分地利用各个层的特征[6]。

本文提出一种基于多级特征金字塔网络结构的目标检测算法。网络通过将主干网络的特征不断进行深层提取，融合不同尺度的特征进行检测。通过实验表明，本文所提出的算法模型能够更好地解决目标检测中的尺度变化所带来的问题。

1 算法模型

1.1 总体结构

网络由3个不同的模块组成(如图1所示)，分别是特征融合模块、8个U型模块以及尺度特征聚合模块。

图1 多级特征金字塔网络的目标检测模型

首先，特征融合模块1融合主干网络提取的特征形成基础特征，这些特征具有丰富的信息和代表性；……