作为计算机视觉领域内的主要研究方向之一,目标检测的核心目的是对每张输入图像的待检测目标进行分类和定位。自2011年以来,在深度学习的辅助下,目标检测任务在医学影像、军事运用、信息挖掘等领域取得了诸多成果。然而基于卷积神经网络的目标检测技术依旧存在诸多问题。首先现阶段常见的轻量化方法忽略了特征集合自身的特点;其次,不同尺寸的目标的检测精度参差不一,检测效果处于劣势的小目标对整体精度的测算带来很多负面影响;最后,随着检测技术的发展,anchor box对检测算法带来的掣肘因素越来越明显。因此,本文针对上述几个方面展开分析与研究,主要研究内容与创新点如下:1.特征提取网络的平衡化。针对深度学习中的骨干网络在使用剪枝、蒸馏等方法的过程中降低了模型特征丰富性的问题,提出了特征网络平衡化模块,该模块充分利用了特征图集合自身潜在的特性,采用逐点分组卷积和增强的通道混洗AE-Shuffle来优化本体特征图的生成,同时引入Shadow Module子模块高效地生成影子特征完成对本体特征图的丰富与补充,同时参考现有典型的轻量化网络的结构设计了改进的EL-MobileNet算法,该算法能够在相对较低的运算量的基础上构建出相对更为丰富的特征集合,进而提升了轻量化骨干网络的分类精度。2.特征金字塔构建合理化。针对弱小目标在卷积池化过程出现的特征消失,进而难以检测的难题,本文提出了均衡化特征金字塔模块EF-FPN,首先针对FPN自顶向下过程中出现的特征稀释问题,提出了多层融合子模块,该模块将顶层原始语义信息进行有效保护,并解决原始金字塔结构存在的非相邻层特征无法联系的问题,在此基础上,根据小目标对底层特征的强依赖性,利用超分辨SR技术设计了小目标信息补偿模块,利用可靠信息源完成对底层层级特征的丰富,使得小目标检测精度得到有效提升,进而提高整体检测精度。通过对比试验和直观的检测效果展示验证了该模块的有效性。3.样本贡献均衡化。本文在FSAF模型基础上结合其他几点改进模块设计出了改进的EAFC-Net检测算法。该算法基于anchor-free思想,摒弃了anchor box类算法中锚框所产生的大量无效锚框的弊端。并根据锚点与中心点的距离关系加入了锚点权重因子WAF模块,通过优化注意力侧重机制,让模型更多的关注质量高的信息而忽视低质量信息,使得样本对最终检测结果的贡献更为均衡。