轻量化SSD目标检测方法研究

刘 宽，郎 磊

(1.郑州轻工业大学 计算机与通信工程学院，郑州 450001;2.华中师范大学 物理科学与技术学院，武汉 430079)

近年来，深度学习作为人工智能技术中发展最快、应用最广、效果最佳的技术，受到广泛关注[1].目前这项技术被广泛应用于计算机视觉、自然语言处理、数据挖掘等领域中，并在各个领域之中均取得了十分优异的成绩[2～5].目标检测作为计算机视觉领域的研究重点[6～7]，一直以来也是研究的重中之重，尤其是基于深度卷积神经网络的目标检测技术.

基于深度卷积神经网络的目标检测算法通过学习用户标定的训练集，不断优化卷积神经网络中各项参数，最终实现自动提取图像特征信息的目的，获得目标的位置和种类.这种算法具有较强的学习能力，精度相对于其他方法提升较大且鲁棒性强.如今，该算法主要分为两大类：一类是基于区域的目标检测算法，另一类是基于回归的目标检测算法[8].其中，第1类算法的典型模型为Faster R-CNN(Faster region based convolutional neural network)模型[9]和R-FCN(region-based fully convolutional networks)模型[10]，该类算法往往是两个阶段的，首先需要得到候选区域，然后进行分类与回归的预测，具有较高的检测准确度，尤其对小目标的检测，但此类算法往往单个模型体积过大，不适用于嵌入式平台的设备中.第2类算法的典型模型为YOLO(You Only Look Once)模型[11]和SSD(Single Shot mulitibox Detecor)模型[12]，该类算法仅用一步直接实现对目标位置的预测和分类，模型体积相对较小，但参数对于嵌入式平台来说，还是未达到应用标准.

基于回归的目标检测算法主要由……