基于多向特征金字塔的轻量级目标检测算法

白 创，王英杰，闫 昱，DJUKANOVIC Milena

(1. 长沙理工大学 物理与电子科学学院，湖南 长沙 410114；2. 柔性电子材料基因工程湖南省重点实验室，湖南 长沙 410114；3. 黑山大学 电气工程学院，黑山共和国 波德戈里察 81000)

1 引 言

目标检测是机器视觉领域的研究热点之一，因其快速、准确、可识别性高等特点广泛应用于无人驾驶、行人检测和视频监控等领域。传统的目标检测方法[1]主要是根据先验知识建立数学模型并求解该模型得到检测结果，而此种人工设计特征加浅层分类器的方案只能提取细节信息较少的低层特征，检测精度和鲁棒性受到极大限制[2]。由于卷积神经网络能够自动学习到更深层次的特征表达，与传统方法相比，学习到特征的鲁棒性更强、精度与速度更高，因此广泛应用于目标检测领域。

目前基于卷积神经网络的检测方法主要包括两大类：基于区域的双阶段目标检测方法，如R-CNN系列[3-5]；基于回归的单阶段目标检测方法，如RetinaNet[6]、SSD[7]、YOLO[8-10]等。双阶段检测器使用生成建议网络提取特征后送入分类器得到类别，而单阶段检测器不需要额外的区域分类步骤，直接对特征映射图上每个位置的目标进行分类预测。双阶段检测器较单阶段检测器检测精度更高但实时性明显降低，故YOLO作为检测精度与速度均衡发展的单阶段检测器得到更加广泛的研究与应用。YOLO是一种端到端的实时目标检测框架，将物体检测作为回归问题进行求解，不需要预先通过生成建议网络(RPN)得到感兴趣区域(ROI)，而是直接将图片送入特征金字塔网络[11](FPN)提取特征经过分类回归器得到输出。……