林 猛，周 刚，杨亚伟，石 军

新疆大学 信息科学与工程学院 信号检测与处理重点实验室，乌鲁木齐 830046

目标检测是一项重要的计算机视觉任务，主要任务是正确检测图像中目标对象的存在并准确定位。作为计算机视觉中最具挑战的问题之一，目标检测能够为图像的语义理解提供有价值的信息，并且与许多应用相关，一直受到极大的关注。目标检测涵盖不同的应用目标，例如行人检测[1]、人脸检测[2]、文本检测[3]等。目标检测的目的是开发高效的计算模型和技术，同时它也是许多其他高级计算机视觉任务的基础，比如实例分割[4]、语义分割[5]、目标跟踪[6]等。

早期，基于手工特征构建的目标检测方法在21 世纪初陷入瓶颈。随着2012 年AlexNet[7]的诞生，基于深度学习的目标检测时代便由此揭开序幕。以卷积神经网络为代表的深度学习方法能够学习更高级、更深层次的特征。在深度学习时代，目标检测方法可以分为两种：两阶段目标检测方法和单阶段目标检测方法。前者先由算法生成一系列的锚框，再通过卷积神经网络进行分类和定位，这类方法以R-CNN系列[8]和FPN[9]为代表。而后者则直接通过主干网络回归物体的类别概率和位置坐标，其中以YOLO 系列[10]、SSD 系列[11]和Retina-Net[12]是为典型。

随着基于深度学习的目标检测方法的发展，有很多学者对此进行了总结和分析。Zou等人[13]对目标检测近二十年的技术发展进行了详细的概括。Agarwal 等人[14]、Zhao等人[15]、Liu等人[16]对基于深度学习的通用目标检测框架进行了综述。……