得益于卷积神经网络的快速进展,目标检测在近几年进展迅速,其应用扩展到了生产的各个领域,当前主流的目标检测算法都是基于卷积神经网络算法的。提出了一种基于单步法的、全卷积网络的目标检测算法。算法将目标通过步长和感受野关系映射到多个输出尺度的特征图上,从而使得特征图能够直接对目标形成预测。在此过程中,通过两个策略来提高单步法的预测效果。首先是通过不同量化策略,对同一个物体形成冗余的预测;其次是在每个尺度上使用面积阈值形成隐性约束,使得每个尺度的特征图专注其面积范围的预测。由于标注时将目标坐标精确到整数是不现实的,同时坐标又需要除以步长以映射到特征图,因此映射后特征图上目标的坐标为浮点值。然而,浮点值的坐标是无法对应到具体像素点,从而无法将特征图上像素点划分为正/负例。因此需要将浮点值量化为整型才能对应到特征图上具体的像素点,此像素点为正例且负责预测当前映射的目标。将目标的浮点坐标量化为整型,可通过组合不同的量化策略来实现,使得一个目标映射后形成多个对应的正例像素点来预测它,从而提高了目标的检出率。采用多尺度的预测策略时,根据每个尺度上其特征的特性,尺寸较大的特征图应该负责预测面积较小的目标,尺寸较小的特征图应该预测面积较大的目标。通过训练时为不同尺度的特征图指定不同范围的目标,形成对于预测目标的约束。基于高性能多卡GPU平台,将此算法实现,并应用于交通标志数据集。通过点映射来形成目标和特征图像素点的对应关系,使得特征图上的每个点都成为一个训练样本,从而整个网络得以在端到端的方式下进行训练,提高了训练的效率。综上所述,是一种综合性能较好的交通标志检测算法。实验表明,以上的两个策略可以有效提高检测效果,使得算法的精度和速度都达到了预期。