多尺度特征增強(qiáng)的SSD目標(biāo)檢測算法

高娜,　吳清　張滿囤

摘要 針對目標(biāo)檢測中多類別、多尺度和背景復(fù)雜而導(dǎo)致的SSD（Single Shot Multibox Detector）算法檢測精度不高的問題，提出了一種多尺度特征增強(qiáng)的改進(jìn)SSD目標(biāo)檢測算法。首先將SSD網(wǎng)絡(luò)模型的高層特征依次向下與淺層特征融合，構(gòu)造一種多尺度目標(biāo)檢測結(jié)構(gòu)。然后利用注意力機(jī)制對特征進(jìn)行進(jìn)一步的優(yōu)化，從而達(dá)到增強(qiáng)網(wǎng)絡(luò)模型特征提取的目的。最后用DIoU-NMS來處理圖像目標(biāo)中冗余框的問題，減少目標(biāo)的漏檢。在公開的NWPU VHR-10遙感數(shù)據(jù)集上將該方法與其他算法進(jìn)行對比實(shí)驗，其mAP較傳統(tǒng)的SSD算法提高了6.7%。最后將改進(jìn)后的算法應(yīng)用于地鐵安檢圖片檢測，并在此數(shù)據(jù)集上進(jìn)行消融實(shí)驗來驗證此算法每一階段的有效性。

關(guān) 鍵 詞 目標(biāo)檢測;多尺度;特征融合;注意力機(jī)制;特征增強(qiáng)

中圖分類號 TP391.41? ? ?文獻(xiàn)標(biāo)志碼 A

Multi-scale feature enhancement based SSD algorithm

GAO Na， WU Qing， ZHANG Mandun

Abstract Aiming at the low detection accuracy of the SSD （Single Shot Multibox Detector） algorithm caused by the multi-category， multi-scale， and complex background in object detection， an improved SSD object detection algorithm with multi-scale feature enhancement is proposed. First， the high-level features of the SSD network model are sequentially merged with the shallow features to construct a multi-scale object detection structure. Then the attention mechanism is used to further optimize the features， so as to enhance the feature extraction of the network model. Finally， DIoU-NMS is used to deal with the problem of redundant boxes in the image object and reduce the missed detection of the object. In the public NWPU VHR-10 remote sensing data set， the method is compared with other algorithms， and its mAP is improved by 6.7% compared with the traditional SSD algorithm. Finally， the improved algorithm is applied to the subway security inspection image detection， and an ablation experiment is performed on this data set to verify the effectiveness of each stage of the improved algorithm.

Key words object detection; multiscale; feature fusion; attention mechanism; feature enhancement

引言

隨著深度學(xué)習(xí)在圖像目標(biāo)檢測中的廣泛應(yīng)用，如何更有效地解決背景復(fù)雜度高、目標(biāo)方向不確定、目標(biāo)尺度多變、小目標(biāo)居多且密集出現(xiàn)等情況下的檢測精度和效率低的問題，成為一個極具挑戰(zhàn)性的課題[1-2]。

基于深度學(xué)習(xí)的目標(biāo)檢測方法主要分為2類，一類是基于候選區(qū)域的深度學(xué)習(xí)目標(biāo)檢測算法（two-stage），典型的算法有Faster RCNN[3]、FPN[4]、Cascade R-CNN[5]、TridentNet[6]等。這類檢測算法的精度較高，但是檢測流程均包含多個階段，實(shí)現(xiàn)過程復(fù)雜。另一類是基于端到端的深度學(xué)習(xí)目標(biāo)檢測算法（one-stage），與 two-stage類方法相比結(jié)構(gòu)更簡單，它將所有計算封裝在一個網(wǎng)絡(luò)中，可以實(shí)現(xiàn)端到端的優(yōu)化。One-stage網(wǎng)絡(luò)的典型的代表算法有SSD[7]、YOLO系列[8]、CornerNet[9]、CenterNet[10]、EfficentDet[11]等。

SSD算法是一種直接預(yù)測目標(biāo)類別和邊界框的多目標(biāo)檢測算法，它充分利用了多卷積層的優(yōu)勢來對目標(biāo)進(jìn)行檢測，對目標(biāo)的尺度變化具有較好的魯棒性。主要是利用Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2這6個不同尺度的特征層做檢測，將不同特征層得到的結(jié)果送入檢測器，最后利用非極大值抑制方法（Non-Maximum Suppression，NMS）剔除圖像中的冗余框。SSD中的6個特征層互相都是獨(dú)立使用的，忽略了不同特征層之間的聯(lián)系，并且沒有用到足夠低層的特征，導(dǎo)致SSD對小尺寸目標(biāo)的識別比較差。為提高小目標(biāo)的檢測精度，DSSD[12]使用更加復(fù)雜的ResNet-101替換VGG16來增強(qiáng)網(wǎng)絡(luò)的特征提取能力，但復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)增加了參數(shù)量和計算量，導(dǎo)致檢測的實(shí)時性較差。為了改善小目標(biāo)檢測效果和提升框架對多尺度目標(biāo)的檢測能力，出現(xiàn)了融合多層特征的思想。Feature Pyramid Network（FPN）和Top Down Modulation （TDM）[13]以自頂向下的方式融合不同的特征層，將語義信息從高層融合到低特征層，對小物體的識別起到了很大的幫助，說明了高層語義的細(xì)節(jié)特征提取的重要性。RSSD[14]采用rainbow連接的方式，結(jié)合pooling和反卷積來融合不同的特征層，在一定程度上解決了小目標(biāo)的檢測問題。FSSD[15]將不同尺度的特征層融合在一起，通過下采樣子模塊生成新的特征金字塔層用于目標(biāo)檢測，提高了SSD的精度。因此如何將低層和高層的特征層結(jié)合起來構(gòu)造金字塔結(jié)構(gòu)對目標(biāo)檢測性能有很大影響。另一方面，背景復(fù)雜及目標(biāo)尺度小的問題，增加了獲取需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域的難度。注意力機(jī)制源自于人類視覺感知，我們關(guān)注一幅圖像時，總能被一些顯著性區(qū)域所吸引，從而快速地專注于感興趣的目標(biāo)。受這種現(xiàn)象的啟發(fā)，SENet（Squeeze and Excitation Networks）[16]在CNN分類網(wǎng)絡(luò)上引入了通道注意力模塊，贏得了最后一屆ImageNet 2017競賽分類任務(wù)的冠軍。之后，Woo等[17]提出的卷積注意力機(jī)制（Convolutional Block Attention Module， CBAM）在通道和空間維度上學(xué)習(xí)關(guān)注什么，在哪里關(guān)注。2019年，SKNet（Selective Kernel Networks）[18]對SENet進(jìn)行改進(jìn)，提出了針對卷積核的注意力機(jī)制研究。馬森權(quán)等[19]在SSD網(wǎng)絡(luò)框架中引入注意力模塊來有效提取小目標(biāo)的特征信息，提升了檢測精度。為此本文考慮使用注意力機(jī)制對特征進(jìn)一步的優(yōu)化，使SSD算法中的特征層更好的適應(yīng)復(fù)雜背景中小目標(biāo)檢測。

1 本文方法

1.1 檢測框架

本文提出了一種多尺度特征增強(qiáng)的目標(biāo)檢測框架（Multiscale Future Enhanced Network，MFEN）。如圖1所示，MFEN-SSD算法保留了SSD的前饋深度卷積網(wǎng)絡(luò)VGG16，在SSD原有特征層的基礎(chǔ)上新加入特征層Conv3_3和Conv5_3，這兩個特征層的感受野相對較小，可以保留較多的細(xì)節(jié)信息，對小目標(biāo)比較敏感。本文的網(wǎng)絡(luò)結(jié)構(gòu)分為3部分，第1階段為特征融合（Feature Fusion，F(xiàn)F），新加入的特征層和基礎(chǔ)骨干網(wǎng)絡(luò)的特征層（包括Conv4_3、Conv7、Conv8_2、Conv9_2） 進(jìn)行特征融合，融合后的特征層語義和定位特征表達(dá)能力均得到提升，除用于進(jìn)行預(yù)測外，還將作為下一個階段的初始特征。第2階段為特征增強(qiáng)，在融合后的特征層后面嵌入ECA（Efficient Channel Attention）模塊[20]，通過適當(dāng)?shù)目缤ǖ澜换ゲ呗詫?shí)現(xiàn)通道注意力的學(xué)習(xí)，以提高圖像中目標(biāo)物體的特征提取能力。它可以將注意力集中在需要關(guān)注的細(xì)節(jié)信息上，并且可以抑制背景等無關(guān)信息，極大的提高了信息處理的效率與準(zhǔn)確性。第3階段為冗余框的處理，使用DIoU-NMS[21]方法來解決漏檢問題。

1.2 基于特征融合的特征提取網(wǎng)絡(luò)

SSD網(wǎng)絡(luò)結(jié)構(gòu)與用于特征提取的圖像金字塔類似，都屬于多尺度網(wǎng)絡(luò)結(jié)構(gòu)。隨著卷積層的數(shù)量增多，特征層的尺度越來越小。其中低層特征層分辨率高，具有豐富的位置信息，但由于缺乏高層特征的語義信息，導(dǎo)致低層特征對小目標(biāo)的分類效果較差，影響最終的檢測結(jié)果。高層特征層感受野大，語義信息表征能力強(qiáng)，適合檢測大目標(biāo)。本文受FPN特征融合思想的啟發(fā)，將高層特征層通過反卷積操作依次向下與低層特征進(jìn)行融合，使得低層特征的語義表征能力得到增強(qiáng)。融合后的多尺度結(jié)構(gòu)如圖2所示，將MFEN-SSD網(wǎng)絡(luò)中的Conv3_3、Conv4_3和Conv5_3分別記為[D0]、[D1]和[D2]。為保持最終用于預(yù)測的特征圖的大小和數(shù)量不變，先對這三個低層特征進(jìn)行特征融合，即：

式中：Conv2D代表二維卷積算子;Resize表示上采樣或者下采樣的操作，用于分辨率的匹配;“+”表示特征在通道上的堆疊。將Conv7、Conv8_2、Conv9_2分別記為：[D4]、[D5]、[D6]。由于分辨率太小的特征層進(jìn)行融合幾乎不會提高檢測精度，反而會降低檢測速度，因此本文選取{[D3]、[D4]、[D5]、[D6]}作為特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)自底向上的路徑。為了使不同層次特征圖的上下文信息進(jìn)行有效的融合，本文增加了一個Top-Down神經(jīng)網(wǎng)絡(luò)作為自底向上前饋網(wǎng)絡(luò)的補(bǔ)充，并使用側(cè)向連接方式。自底向上的前饋網(wǎng)絡(luò)獲取的高層語義特征由自頂向上的網(wǎng)絡(luò)反饋回來，經(jīng)過側(cè)向連接與中間特征層進(jìn)行融合，同時繼續(xù)向下傳遞。最終網(wǎng)絡(luò)的輸出特征層既捕獲了細(xì)節(jié)特征又獲取了高層信息，并且預(yù)測是在每個融合后的特征層上單獨(dú)進(jìn)行的。這些特征層的計算過程如下：

式（2）中的N = 3，4，5，6，式（3）和式（4）中的N = 3，4，5。[d]代表維度，在融合之前先將自底向上路線中的特征層維度統(tǒng)一成256-d，k表示卷積核尺寸的大小。為了減小參數(shù)量和計算量，使用分組卷積（Group Convolution）將標(biāo)準(zhǔn)的卷積分為g組，在對應(yīng)的組內(nèi)做卷積，并在分組卷積之后加入通道混洗（Channel shuffle）[22]操作使得組間的信息可以交流，最后得到通道混洗后的輸出。[CN]表示自底向上線路中經(jīng)過降維得到的特征層，[TN]表示自頂向下線路和側(cè)面橫向連接形成的新特征，[Q（?）]為將[Ti]通過反卷積操作調(diào)整到和特征層[CN]一樣的尺寸。在進(jìn)行特征融合之前都使用ReLU函數(shù)進(jìn)行激活操作，在融合之后還會用3×3大小的卷積核對融合后的特征層[TN]進(jìn)行卷積，目的是消除上采樣帶來的混疊效應(yīng)。[FN]表示自頂向下線路的輸出特征，隨著N的減小，[FN]的特征信息被不斷地豐富與完善，使得同一特征層上可以覆蓋不同尺度的目標(biāo)，增加了網(wǎng)絡(luò)模型的泛化能力。其特征融合結(jié)構(gòu)如圖3所示，GConv代表分組卷積，采用的特征融合方式為Conact。與原SSD網(wǎng)絡(luò)每層特征層檢測特定尺寸的目標(biāo)相比，本文提出的網(wǎng)絡(luò)將上下文信息進(jìn)行了有效融合，因而更適合圖像中多類別多尺度目標(biāo)的檢測。

1.3 注意力機(jī)制ECA模塊的使用

為了在不增加網(wǎng)絡(luò)模型復(fù)雜度的同時解決圖像中的小目標(biāo)及背景復(fù)雜的問題，本文在運(yùn)用特征融合后的網(wǎng)絡(luò)架構(gòu)上引入一種有效的通道注意力（Efficient Channel Attention， ECA）模塊。該模塊通過適當(dāng)?shù)目缤ǖ澜换ゲ呗詫?shí)現(xiàn)通道注意力的學(xué)習(xí)，可以顯著降低模型的復(fù)雜度同時保持性能。本文將ECA模塊嵌入到融合后的特征層{F3、F4、F5、F6}后面，這1階段為圖1所示的第2階段。如圖4所示，對于給定的一個輸出的特征[X∈RH×W×C]，其中W、H和C分別表示特征層的寬度、高度和通道尺寸。首先采用不降維的全局平均池化（global average pooling）將一個通道上的整個空間特征編碼為一個全局特征，之后通過快速一維卷積來實(shí)現(xiàn)每個通道及其k個相鄰?fù)ǖ赖木植靠缤ǖ佬畔⒔换?，其公式?/p>

式中：C1D表示一維卷積;[k]是卷積核的大小，表示局部跨通道交互的覆蓋率，與通道的C成正比，計算公式為

式（6）表示C和k之間的映射關(guān)系，γ=2，b = 1。[todd]表示t的最接近奇數(shù)。最后將學(xué)習(xí)到的通道權(quán)重和原始的特征X相乘來進(jìn)行特征通道加權(quán)，得到最后的輸出特征層[X∈RH×W×C]。經(jīng)過整個操作，模型可以將它的注意力集中到最有用的通道上，從而達(dá)到增強(qiáng)有用信息的作用。

1.4 用DIoU-NMS 替換NMS

在對圖像進(jìn)行目標(biāo)檢測時，多個特征層最后會產(chǎn)生大量的候選框，但是這些候選框中存在著大量錯誤的、重疊的和不確定的樣本。傳統(tǒng)的SSD算法是利用非極大值抑制算法（Non Maximun Suppression， NMS），通過設(shè)置交并比（Intersection-over-Union， IoU）閾值來去除多余的檢測框，其只考慮了重疊區(qū)域。當(dāng)2個物體離得很近時，由于IoU的值比較大，經(jīng)過NMS處理后只剩下1個檢測框，會導(dǎo)致漏檢現(xiàn)象的發(fā)生，并且圖像中經(jīng)常會出現(xiàn)目標(biāo)緊鄰的問題。為了克服NMS在此應(yīng)用場景中的不利，本文用Distance-IoU （DIoU） NMS替換原本的NMS。和原始的NMS相比，本文的DIoU-NMS不僅考慮了IoU的值，還考慮了2個候選框之間的距離，將這2個因素作為是否刪除候選框的條件。其公式為

式中：[si]是分類置信度;[ε]為NMS閾值;M是最高置信度的框;[RDIoU]可以用式（9）來表示：

式中：[d=ρ（b，bgt）]是框b和框[bgt]的中心點(diǎn)之間的距離;[c]表示能夠同時覆蓋2個框的最小矩形的對角線的長度，如圖5所示。

2 實(shí)驗結(jié)果與分析

本文實(shí)驗是基于Intel（R） Core（TM） i7-4790K CPU @ 4.0 GHZ處理器和單GPU NVIDIA GTX 1070 Ti，采用Pytorch開源深度學(xué)習(xí)框架完成的。

選擇航天遙感目標(biāo)檢測數(shù)據(jù)集NWPU VHR-10作為實(shí)驗數(shù)據(jù)集。此數(shù)據(jù)集是1個多類多尺度且小目標(biāo)眾多的目標(biāo)檢測數(shù)據(jù)集，提供了650張包含目標(biāo)的光學(xué)遙感圖像，共含有實(shí)例樣本3 896個，包括飛機(jī)、油罐、車輛、籃球場等10個類別。NWPU VHR-10數(shù)據(jù)集屬于小樣本數(shù)據(jù)集，因此需要運(yùn)用數(shù)據(jù)增強(qiáng)來人為的增加訓(xùn)練樣本的數(shù)量。首先按照VOC2007數(shù)據(jù)集格式的標(biāo)準(zhǔn)，將數(shù)據(jù)集中的圖片隨機(jī)的分成了60%的訓(xùn)練集、20%的驗證集和20%的測試集，圖6為劃分的訓(xùn)練集、測試集和驗證集中包含的每個類別的目標(biāo)數(shù)量。本文對其中的訓(xùn)練集進(jìn)行水平翻轉(zhuǎn)、旋轉(zhuǎn)90°、180°和270°。

本實(shí)驗使用VGG16作為預(yù)訓(xùn)練的模型，訓(xùn)練共迭代120 000次，批處理大小為32，初始學(xué)習(xí)率設(shè)置為0.001，隨機(jī)梯度下降SGD的權(quán)重衰減為0.000 5，動量因子設(shè)置為0.9。

實(shí)驗選擇平均精確度均值（Mean Average Precision，mAP）和準(zhǔn)確率-召回率（Precision-Recall）曲線圖作為圖像多個類別的目標(biāo)檢測的評價標(biāo)準(zhǔn)。AP即為PR曲線所包圍的面積，可以表示為

式中：[P]和[R]分別表示準(zhǔn)確率和召回率，可以根據(jù)TP（True Positive）、FP（False Positive）、TN（True Negative）和FN（False Negative）來計算：

根據(jù)衡量每個類別檢測效果的AP即可得出

圖7是SSD算法和本文的MFEN-SSD算法在NWPU VHR-10測試集下10個類別的PR曲線對比圖，不同顏色的曲線表示不同的類別。可以看出本文的MFEN-SSD算法對應(yīng)的PR曲線包圍的面積更大，對車輛和網(wǎng)球場等類別的提升效果明顯。

表1給出了本文算法和另外6種典型的目標(biāo)檢測算法在NWPU VHR-10數(shù)據(jù)集中對10個類別進(jìn)行檢測的精確度的對比。通過結(jié)果可以看出本文所提算法的平均準(zhǔn)確率有著顯著的提高，相比RICNN[23]，F(xiàn)R（Faster R-CNN）[3]，YOLOv3[24]，Grid R-CNN[25]，Cascade R-CNN[5]和SSD[7]分別提升15.3%，6.9%，3.7%，3.5%，0.2%和 6.7%，對尺寸差異過大的目標(biāo)物體均有較好的檢測效果?；贑NN的RICNN算法的檢測效果最差，且運(yùn)算時間最長，在網(wǎng)球場、籃球場和橋梁等類別的檢測率很低，它采用的是選擇性搜索算法，所以該算法的計算復(fù)雜度也比較高。SSD算法的檢測精度比FR算法較高，驗證了這種多尺度特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)模型對于多類別多尺度目標(biāo)的建模能力較強(qiáng)。YOLOv3采用了更深的網(wǎng)絡(luò)層次以及多尺度檢測，在飛機(jī)儲油罐和車輛等小目標(biāo)上檢測結(jié)果比較好。Grid R-CNN和Cascade R-CNN是對FR算法的改進(jìn)，檢測精度比FR分別高3.4%和6.7%。本文提出的MFEN-SSD算法不僅構(gòu)建了類似FPN結(jié)構(gòu)的多尺度特征金字塔結(jié)構(gòu)來適應(yīng)圖像的多尺度特征，而且引入的注意力機(jī)制對感興趣區(qū)域投入更多的關(guān)注，在犧牲較小運(yùn)算時間的同時大大的提高了目標(biāo)的識別率與準(zhǔn)確率，但需要進(jìn)一步提升和改善在儲油罐和車輛目標(biāo)的檢測精度。其部分可視化檢測結(jié)果如圖8所示。

表2是本文各模塊在NWPU VHR-10數(shù)據(jù)集上的消融對比實(shí)驗。從表中結(jié)果可以看出，本文對網(wǎng)絡(luò)的3方面改進(jìn)有效地提高了平均檢測精度。

為了進(jìn)一步驗證MFEN-SSD算法的通用性和有效性，將本文算法應(yīng)用于地鐵安檢圖片檢測。表3為在該數(shù)據(jù)集上對本文各模塊的消融實(shí)驗對比，可以看出本文算法比傳統(tǒng)SSD的檢測精度提高了13.9%。首先需要借助目標(biāo)檢測標(biāo)注工具LabelImg將地鐵安檢數(shù)據(jù)集制作成Pascal VOC2007的格式，主要作用是對所有的原始圖像中的目標(biāo)位置進(jìn)行標(biāo)注，每張標(biāo)注完的圖片都會生成一個相應(yīng)的xml文件，表示目標(biāo)真實(shí)邊界框的準(zhǔn)確位置。本文所用的數(shù)據(jù)集將打火機(jī)、黑釘子、刀具、電池、剪刀5個類別分別用數(shù)字1、2、3、4、5來表示，最后共生成981個對應(yīng)的xml文件。隨后將981張圖片隨機(jī)的分成了60%的訓(xùn)練集、20%的驗證集和20%的測試集，并在送入網(wǎng)絡(luò)前對訓(xùn)練集進(jìn)行水平翻轉(zhuǎn)、旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作來擴(kuò)充訓(xùn)練集的圖片數(shù)量。

表4為上述序號1～8的消融實(shí)驗對應(yīng)的每個類別的具體檢測精度差異?？梢钥闯霰疚乃崴惴ǖ拿?個階段單獨(dú)和任意2種組合使用時都對mAP有不同程度的提高，當(dāng)3個階段同時使用時，地鐵安檢圖片的檢測精度達(dá)到了最高值77.4 %。

圖9 中a）是傳統(tǒng)SSD算法的檢測結(jié)果圖，b）為本文MFEN-SSD算法的檢測結(jié)果圖。可以直觀地看出，和傳統(tǒng)的SSD算法相比，本文MFEN-SSD算法具有更好的檢測結(jié)果。它可以檢測到大部分SSD算法漏檢的小目標(biāo)，該算法降低小目標(biāo)漏檢率，同時也提高了平均檢測準(zhǔn)確率。

3 結(jié)論

本文提出了一種多尺度特征增強(qiáng)的改進(jìn)SSD目標(biāo)檢測算法MFEN-SSD。該模型以VGG16作為基礎(chǔ)的特征提取網(wǎng)絡(luò)，首先將高層和低層的特征層進(jìn)行融合，形成高分辨率高語義信息的特征層，使得模型能夠更好地實(shí)現(xiàn)多尺度目標(biāo)檢測。隨后通過注意力機(jī)制模塊對特征進(jìn)行進(jìn)一步優(yōu)化，將注意力集中在需要投入更多精力的細(xì)節(jié)信息上，并且抑制無用信息。最后對產(chǎn)生的冗余框進(jìn)一步處理來減少目標(biāo)的漏檢。在遙感數(shù)據(jù)集NWPU VHR-10上進(jìn)行了實(shí)驗驗證，并和SSD算法以及當(dāng)前一些典型的目標(biāo)檢測算法進(jìn)行分析與比較。實(shí)驗結(jié)果表明MFEN-SSD的性能在平均精度上優(yōu)于其他算法。在地鐵安檢數(shù)據(jù)集上的拓展實(shí)驗也進(jìn)一步證明了該算法的通用性和有效性，提高了對小目標(biāo)的檢測精度。

參考文獻(xiàn)：

[1]? ? 劉小波，劉鵬，蔡之華，等.基于深度學(xué)習(xí)的光學(xué)遙感圖像目標(biāo)檢測研究進(jìn)展[J].自動化學(xué)報，2021，47（9）： 2078-2089.

[2]? ? 寇大磊，權(quán)冀川，張仲偉.基于深度學(xué)習(xí)的目標(biāo)檢測框架進(jìn)展研究[J].計算機(jī)工程與應(yīng)用，2019，55（11）： 25-34.

[3]? ? REN S Q，HE K M，GIRSHICK R，et al.Faster R-CNN： towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）： 1137-1149.

[4]? ? LIN T Y，DOLL?R P，GIRSHICK R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.July 21-26，2017，Honolulu，HI，USA.IEEE，2017： 936-944.

[5]? ? CAI Z W，VASCONCELOS N.Cascade R-CNN： delving into high quality object detection[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018： 6154-6162.

[6]? ? LI Y H，CHEN Y T，WANG N Y，et al.Scale-aware trident networks for object detection[C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.October 27 - November 2，2019，Seoul，Korea （South）.IEEE，2019： 6053-6062.

[7]? ? LIU W，ANGUELOV D，ERHAN D，et al.SSD： single shot MultiBox detector[C]// Computer Vision – ECCV 2016，2016： 21-37.

[8]? ? REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once： unified，real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.June 27-30，2016，Las Vegas，NV，USA.IEEE，2016：779-788.

[9]? ? LAW H，DENG J.CornerNet： detecting objects as paired keypoints[J].International Journal of Computer Vision，2020，128（3）： 642-656.

[10]? DUAN K W，BAI S，XIE L X，et al.CenterNet： keypoint triplets for object detection[C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.October 27-November 2，2019，Seoul，Korea （South）.IEEE，2019： 6568-6577.

[11]? TAN M X，PANG R M，LE Q V.EfficientDet： scalable and efficient object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020： 10778-10787.

[12]? FU C Y，LIU W，RANGA A，et al.DSSD： deconvolutional single shot detector[EB/OL].（2017）. https：//arxiv.org/abs/1701.06659

[13]? SHRIVASTAVA A，SUKTHANKAR R，MALIK J，et al.Beyond skip connections： top-down modulation for object detection[EB/OL].（2017）.https：//arxiv.org/abs/1612.06851

[14]? JEONG J，PARK H，KWAK N.Enhancement of SSD by concatenating feature maps for object detection[C]// Proceedings ofthe British Machine Vision Conference 2017.London，UK.British Machine Vision Association，2017： 76.

[15]? LI Z， ZHOU F. FSSD： feature fusion single shot multibox detector[EB/OL].（2018）. https：//arxiv.org/abs/1712.00960v3

[16]? HU J，SHEN L，SUN G.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018： 7132-7141.

[17]? WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module[C]//Proceedings of the European conference on computer vision. September 8-14，2018，Munich，Germany.Springer，2018： 3-19.

[18]? LI X，WANG W H，HU X L，et al.Selective kernel networks[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 15-20，2019，Long Beach，CA，USA.IEEE，2019： 510-519.

[19]? 麻森權(quán)，周克.基于注意力機(jī)制和特征融合改進(jìn)的小目標(biāo)檢測算法[J].計算機(jī)應(yīng)用與軟件，2020，37（5）： 194-199.

[20]? WANG Q L，WU B G，ZHU P F，et al.ECA-net： efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：11531-11539.

[21]? ZHENG Z H，WANG P，LIU W，et al.Distance-IoU loss： faster and better learning for bounding box regression[J].Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（7）： 12993-13000.

[22]? ZHANG X Y，ZHOU X Y，LIN M X，et al.ShuffleNet： an extremely efficient convolutional neural network for mobile devices[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018： 6848-6856.

[23]? CHENG G，ZHOU P C，HAN J W.Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing，2016，54（12）： 7405-7415.

[24]? REDMON J， FARHADI A. Yolov3： an incremental improvement[EB/OL].（2018）. https：//arxiv.org/abs/1804.02767.

[25]? LU X，LI B Y，YUE Y X，et al.Grid R-CNN[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 15-20，2019，Long Beach，CA，USA.IEEE，2019： 7355-7364.

收稿日期：2020-10-31

基金項目：河北省自然科學(xué)基金（F2019202054）

第一作者：高娜（1994—），女，碩士研究生。通信作者：吳清（1965—），女，教授，wuqing@scse.hebut.edu.cn。