计算机科学与探索

作者：董甲东, 桑飞虎, 郭庆虎, 陈琳, 郑春香

单位：1. 安庆师范大学 电子工程与智能制造学院，安徽 安庆 2460112. 安庆师范大学 计算机与信息学院，安徽 安庆 246011

关键词：深度学习,目标检测算法,模型轻量化

基金：国家自然科学基金（62205005）；安徽省高校科研计划重大项目（2024AH040174）。

随着深度学习的快速发展，基于深度学习的目标检测算法在多个领域得到广泛应用。然而，随着算法不断演进，一系列挑战也逐渐浮现：模型复杂度增加导致参数量和计算量急剧膨胀，进而使得运行速度下降，难以满足高实时性应用场景需求；算法对硬件性能高要求，限制其在移动设备和边缘计算等资源受限环境中高效部署，缩小其应用范围；训练成本显著上升，包括对大量计算资源和长时间训练需求，也阻碍模型快速迭代。为了应对这些挑战，目标检测算法轻量化研究应运而生。综述基于深度学习的目标检测算法轻量化研究最新进展。对目标检测任务及其评价指标进行概述，详细回顾目标检测算法发展历程及代表性模型。在此基础上，重点探讨目标检测算法的轻量化技术，包括：轻量级网络架构设计，降低模型计算复杂性和空间复杂度；轻量级卷积技术创新，在减少参数量和计算量的同时保持模型性能；深度学习模型压缩方法，优化模型结构降低存储需求。实现资源受限设备高效部署与实时推理。总结当前轻量化目标检测算法研究现状，并在多领域技术融合、硬件架构优化以及边缘设备部署等方面进行展望与思考。

来源：2025年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第8期