第4期 毕晓君，等：高层火灾智能报警及逃生指导系统 ·819· 采用轻量级特征提取网络，并且采用one-stage 检测。 检测策略。其特点是轻量级，网络结构简单，参 RFBNet采用改进的轻量级VGGl6神经网络 数量较少，运行速度快，适合部署到边缘设备中， 用于特征提取，并通过在检测头增加RFB模块， 例如树莓派等微型电脑中。并且能够保证检测 实现了可在多特征层同时检测的功能。其中每层 的实时性以及较高的检测准确率。RFBNet模 都可预测4(box)+1(class_num)数量的结果，将 型9原用于多目标检测，本文将模型用PASCAL 检测结果进行整合操作，输出最终的检测结果。 VOC2007行人数据集进行重新训练，专用于行人 RFBNet整体网络结构如图8所示。 Backbone Deeplab-VGG16 Extra Layer RFB-s RFB 输人层 ZLIAUOD 图8 RFBNet网络结构 Fig.8 RFBNet network structure RFBNet检测模型为达到在基于轻量级特征 大小尺寸不一难以检测的问题。这种多尺度的思 提取网络的前提下，达到速度及精度的平衡的目 想十分有利于提高检测性能，其检测效果远超同 的，设计了借鉴人类视觉的RFB模块，该模块是 级别的轻量级网络，甚至可以超过部分参数量巨 一种多分支的结构，其主要包括常规卷积及膨胀 大的深层网络。在该检测模型中共设计两种不同 卷积两部分。这种精心设计的RFB模块通过结 的RFB(receptive fields block)结构分别为RFB和 合不同的卷积分支、卷积尺寸、扩张卷积结构来 RFB-s,可以从不同深度的特征层进行检测。进一 模拟人类视觉系统中的感受野结构，在参数量相 步提高检测效果。具体结构如图9所示。 近的情况下扩大感受野，以解决图像中检测目标 Relu激活 串联+1×1卷积 3×3卷积，扩张率=」 3×3卷积，扩张率=3 3×3卷积，扩张率=5 直连 1×1卷积 3×3卷 5×5卷 1×1卷积 1×1卷积 上一层特征 (a)RFB结构采用轻量级特征提取网络，并且采用 one-stage 检测策略。其特点是轻量级，网络结构简单，参 数量较少，运行速度快，适合部署到边缘设备中， 例如树莓派等微型电脑中。并且能够保证检测 的实时性以及较高的检测准确率。RFBNet 模 型 [9] 原用于多目标检测，本文将模型用 PASCAL VOC2007 行人数据集进行重新训练，专用于行人 检测。 RFBNet 采用改进的轻量级 VGG16 神经网络 用于特征提取，并通过在检测头增加 RFB 模块， 实现了可在多特征层同时检测的功能。其中每层 都可预测 4（box）+ 1（class_num）数量的结果，将 检测结果进行整合操作，输出最终的检测结果。 RFBNet 整体网络结构如图 8 所示。 Conv4-3 Conv7-full RFBS-2 RFBS-2 Conv10_2 Conv11_2 Detection ConvLayer RFB RFB-s Backbone Deeplab-VGG16 Extra Layer 输 入 层 图 8 RFBNet 网络结构 Fig. 8 RFBNet network structure RFBNet[9] 检测模型为达到在基于轻量级特征 提取网络的前提下，达到速度及精度的平衡的目 的，设计了借鉴人类视觉的 RFB 模块，该模块是 一种多分支的结构，其主要包括常规卷积及膨胀 卷积两部分。这种精心设计的 RFB 模块通过结 合不同的卷积分支、卷积尺寸、扩张卷积结构来 模拟人类视觉系统中的感受野结构，在参数量相 近的情况下扩大感受野，以解决图像中检测目标 大小尺寸不一难以检测的问题。这种多尺度的思 想十分有利于提高检测性能,其检测效果远超同 级别的轻量级网络，甚至可以超过部分参数量巨 大的深层网络。在该检测模型中共设计两种不同 的 RFB (receptive fields block) 结构分别为 RFB 和 RFB-s，可以从不同深度的特征层进行检测。进一 步提高检测效果。具体结构如图 9 所示。 (a) RFB 结构 Relu 激活 + 串联+1×1 卷积 上一层特征 直连 3×3 卷积, 扩张率=1 1×1 卷积 3×3 卷积, 扩张率=3 3×3 卷 5×5 卷 3×3 卷积, 扩张率=5 1×1 卷积 1×1 卷积 Relu 激活 上一层特征 直连 + 串联+1×1 卷积 3×3 卷积 扩张率=1 3×3 卷积 扩张率=3 3×3 卷积 扩张率=3 3×3 卷积 扩张率=5 1×1 卷积 1×3 卷积 3×1 卷积 3×3 卷积 1×1 卷积 1×1 卷积 1×1 卷积 (b) RFB-s 结构 第 4 期 毕晓君，等：高层火灾智能报警及逃生指导系统 ·819·