近几年来人工智能迅猛发展,目标检测作为计算机视觉领域的主要任务也取得到了长足的进步。目标检测模型的训练依赖于大量的高分辨率图像,需要较长的训练时间与推理时间。降低图像的分辨率能直接减少模型需要处理的数据量,提升模型的收敛、推理速度。除了提升模型的速度外,降低图像的分辨率还能够减少系统的存储成本,有很大的应用价值。但是,降低分辨率会导致图像丢失一部分信息,影响目标检测的准确率,针对该问题本文提出一种优化低分辨率图像目标检测准确率的方法。本文的核心思想是使用注意力机制和基于特征的知识蒸馏算法提升目标检测算法在低分辨率图像上的表现。知识蒸馏需要一个强大的教师模型指导学生模型,本文首先设计了由两个子网络组成的教师模型,子网络结构相同,都由残差网络Res Net50与特征金字塔网络FPN组成,子网络的输入为分辨率相差一倍的图像,因此FPN网络相同层级输出的特征图尺度大小也会相差一倍,无法拼接。为解决该问题,本文使用跨层级对齐的方法,拼接子网络FPN相邻层级的特征图,增加特征图中的多尺度信息。高低分辨率图像对目标检测任务有着不同的重要性,本文提出使用注意力机制处理上一步骤拼接得到的特征图,得到一个用于衡量高低分辨率图像重要性的矩阵,该矩阵与主干网络输出的特征图运算后得到最终用于目标检测的特征图。为有效利用教师模型生成的融合特征图,本文提出使用基于特征的知识蒸馏算法指导学生模型的训练过程。学生模型的结构与教师模型相同,但是训练数据只有低分辨率图像。基于特征的知识蒸馏算法能让学生模型直接拟合教师模型生成的复杂特征图,通过此方法提升了学生模型在低分辨率图像上的目标检测准确率,并且加快了学生模型的收敛速度。本文最后分别为教师模型与学生模型设计了验证实验,实验结果证明模型在低分辨率图像上的目标检测平均准确率提升了0.9%,证明了本文提出的优化方法在目标检测任务上的有效性。