目标检测是当前计算机视觉领域极为重要的研究方向,也是很多模式识别任务的研究基础。论文对基于深度学习的目标检测算法展开深入研究,从特征融合的角度对当前检测模型进行改进。论文的主要创新点包括:(1)针对主干网络的特征融合不充分问题,论文提出双路均衡FPN的思想。双路FPN在FPN的基础上将低层特征的像素信息融合到高层特征中,增强高层特征中的细节信息,并且通过级联的方式强化特征融合,利用残差连接保证融合过程特征一致性。均衡FPN利用多尺度特征聚合再融合的方式,使不同层特征均衡化。实验表明两种思想结合可以极大地强化主干网络的特征融合能力,为后续检测网络提供良好基础。(2)针对多尺度模型将候选区域映射到单一特征层上造成的信息损失,本文提出多尺度特征池化的思想。将候选区域映射到特征提取网络的所有特征层上,同时进行特征池化然后再融合。实验验证多尺度特征池化可以获取更加丰富的候选区域特征,为后续检测器提供更有效的特征信息。(3)针对全连接检测器导致特征的空间信息丢失,论文设计了基于全卷积的位置敏感检测器模块,并通过实验优化共享卷积层数。位置敏感检测器利用卷积网络对候选区域特征进一步强化,保留候选区域特征图的空间位置关系。通过比较不同检测器性能,实验验证论文提出的位置敏感检测器能够提供更精确的目标定位结果。