易清明 吕人毅 石敏 骆爱文†

（1. 暨南大学 信息科学技术学院，广东 广州 510632；2. 泰斗微电子科技有限公司，广东 广州 510663）

目标检测是计算机视觉领域中一项基本的研究内容，其核心任务是确定图像中不定数量的物体目标的类别及其具体位置。目标检测适用于人脸识别［1］、行人检测［2］、车辆检测［3］、医学影像识别［4］、自动驾驶［5］、安全系统［6］等领域。由于基于深度学习的目标检测方法可以取得传统人工特征检测方法难以比拟的高精度，因而深度学习方法成为了目标检测领域的研究热点。

基于深度学习的目标检测算法利用卷积神经网络快速提取特征信息，实现目标的定位和分类，主要有单阶段和双阶段两大类算法。以单阶段多框检测器（SSD）［7］为代表的单阶段算法的检测速度快，但检测精度未能达到应用需求；以R-CNN［8］为代表的双阶段算法的检测精度高，但计算量大，过于依赖高性能图形处理器（GPU）算力，推理速度慢。

为了适应移动端平台计算资源少但速度要求高的特点，现有的轻量化网络主要通过网络压缩［9-10］、通道混洗［11-12］、卷积优化［13-15］等方式对模型进行压缩和加速。其中，网络压缩方案通常采用1×1卷积代替部分3×3卷积来设计压缩模块，以减少计算量或者通道数，但降低了检测精度。通道混洗方案通过通道之间混洗重组或者设计通道分离结构实现信息互通，利用1×1的逐点卷积改变通道数来融合信息和减少计算量，但采用较多的1×1卷积会导致感受野太小，影响图像特征的提取。……