文献类型：期刊文章

作　　者：杨晨红[1] 高振刚[2] 杨瑞鹏[3] 郝一军[4] 王万勇[4]

Yang Chenhong;Gao Zhengang;Yang Ruipeng;Hao Yijun;Wang Wanyong(School of Information Engineering,Ordos Institute of Technology,Ordos,Inner Mongolia 017000,China;School of Mechanical and Traffic Engineering,Ordos Institute of Technology,Ordos,Inner Mongolia 017000,China;Ordos Power Supply Company,Inner Mongolia Power(Group)Co.,Ltd.,Ordos,Inner Mongolia 017000,China;Erdos Kaitu Technology Co.,Ltd.,Ordos,Inner Mongolia 017000 China)

机构地区：[1]鄂尔多斯应用技术学院信息工程系,内蒙古鄂尔多斯017000 [2]鄂尔多斯应用技术学院大飞机学院,内蒙古鄂尔多斯017000 [3]内蒙古电力(集团)有限责任公司鄂尔多斯供电公司,内蒙古鄂尔多斯017000 [4]鄂尔多斯凯图科技有限公司,内蒙古鄂尔多斯017000

出　　处：《机电工程技术》

基　　金：鄂尔多斯市科技计划资助项目(2022YY004);鄂尔多斯应用技术学院资助项目(KYYB2021011)。

年　　份：2025

卷　　号：54

期　　号：6

起止页码：84-95

语　　种：中文

收录情况：普通刊

摘　　要：随着深度卷积神经网络的兴起,很多目标检测模型取得了显著的成绩。然而,大模型以计算成本昂贵且内存密集型为特点,难以部署在嵌入式、实时检测等环境中,因此,研究设计轻量化模型是当前的研究热点之一。构建轻量化的目标检测算法是具有挑战性的任务,因为模型必须要被精妙设计才能在花费尽可能少的参数量和计算资源消耗的同时获得优越的检测性能。在过去10年中,轻量化算法设计取得了显著进展。总结了轻量化目标检测算法,旨在进一步探索轻量网络设计的新思路和新方向。将轻量化算法设计分为3类:骨干网络、特征融合网络和注意力机制。详细分析了每一类在目标检测任务中的性能、优势和局限性。接着,简要介绍了一些最近取得成功的方法,如YOLO系列和DETR。最后总结了研究内容,并讨论了未来工作的挑战和潜在方向,同时探讨了轻量化设计在目标检测领域的发展趋势。

关 键 词：深度学习  轻量化设计 目标检测 综述  

分 类 号：TP391]