目标检测是计算机视觉领域的热点和核心问题之一,其目的是在一幅图像中寻找特定的目标,然后对目标进行精确的定位和分类。它是分析和解译视觉信号的重要基础,已被广泛应用于工业质检、视频监控和无人驾驶等众多领域。近年来,目标检测的研究取得了一系列进展,然而图像目标检测算法仍然面临着许多挑战。本文从提升目标检测性能的三个不同角度出发,使得定位更加准确,分类更加精确,模型更加轻量。首先,本文从目标检测中的定位角度出发,提出了一个简单而有效的共差注意力模块,抑制无关背景干扰,使得定位更加准确。对于输入的中间特征图,共差注意力模块分别沿着通道和空间两个不同的维度并行地计算注意力特征图,然后将这两个注意力特征图与输入特征图相乘得到更加精细的特征。特别地,此注意力模块采用共差运算来削弱无用的背景干扰,从而关注有意义的目标特征。实验在不同数据集上用不同的检测器和骨干网络验证了此注意力模块的有效性。其次,本文从目标检测中的分类角度出发,改进了一个基于外部背景知识图的目标检测框架,使得分类更加精确。与现有的只关注图像内部特征的机器学习和深度学习算法不同,本文利用外部背景知识,如知识图谱等,优化了目标检测框架。该框架采用语义一致性的概念对知识进行量化分析和迁移,将知识图谱等外部知识集成到现有的目标检测器中,再通过重新优化实现了知识感知检测功能,从而提高了目标检测的分类性能。实验验证了此框架能够在保持目标定位精度的同时,大大提高了分类的准确性。最后,本文从目标检测的计算复杂性角度出发,使用了基于小波变换的图神经网络模型,通过图小波变换替代图傅里叶变换,定义了谱图卷积,有效地降低了神经网络计算资源的消耗,使得模型更加轻量。同时,通过图小波变换算法对图片中的目标做边缘提取,使得网络模型可以在不规则区域内提取目标的边缘特征。综上,本文对以上研究工作进行了总结,并对未来值得探索的研究方向进行了梳理。