何 雨，田军委，张 震，王 沁，赵 鹏

西安工业大学 机电工程学院，西安 710021

室内目标检测技术是当前极具实用价值与广阔前景的热点研究，其在智能家居、服务机器人、安防监控等领域都有着广阔的应用前景[1-2]。目标检测技术的研究是开展室内视觉任务的基础，对于提高场景理解的感知力度有着重要意义。传统的目标检测算法基于手工提取特征[3]，形成了以级联检测器（VJ-Det），梯度方向直方图检测器（HOG-Det）和可变形组件检测器（deformable part model，DPM）为代表的传统目标检测算法，广泛应用于动态视频中的行人检测，以及静态图像中的车辆和常见动物检测[4]。深度学习技术突破了传统目标检测算法在特征提取上的技术瓶颈问题[5-7]，成为当前目标检测的主流算法。基于检测原理的差异，深度学习型目标检测可分为两类：two-stage和one-stage，代表算法分别为RCNN[8-10]系列和YOLO[11]、SSD[12]系列，其中SSD是基于前两者的改进。虽然现有目标检测方法众多，但大多数研究致力于精度提升，使得网络结构愈加复杂，对硬件成本要求也更大。而实际室内场景中机器人作业平台硬件平台有限，难以达到其要求，因此研究轻量化的目标检测显得尤其重要。YOLO系列算法作为经典的one-stage目标检测算法，因其出色的检测性能得到广泛应用，文献[13-15]采用MobileNetV2主干网络替换和注意力机制结合的方式来实现YOLO系列的轻量化的研究，在模型复杂度上有了改进，但对于精度却没有很好地兼顾。文献[16-17]提出基于网络通道的剪枝模型压缩方法来实现网络轻量化，在MobileNetV2的基础上再次进行剪枝来减少模型参数量，效果显著，但其精度损失严重，难以保障检测准确率，且在不同数据集的检测效果难以维持稳定。……