火星车在执行自主导航、环境感知和科学探测任务时，需要依赖目标检测模型识别岩石、基岩、车辙及阴影等典型地形目标。然而，火星场景目标检测面临数据获取困难、地形环境复杂和计算资源受限等挑战。火星探测数据获取成本较高，高质量标注样本相对有限；火星地表地貌复杂，目标尺度差异明显，部分目标与背景在颜色和纹理上具有较高相似性，同时还受到光照变化、阴影及沙尘覆盖等因素干扰，增加了目标识别难度；此外，火星车等探测设备的计算与存储资源有限，参数量和计算开销较大的深度检测模型难以满足星载平台的运行需求。因此，如何在降低模型复杂度的同时保持检测性能，是火星场景目标检测需要解决的重要问题。
结构化剪枝通过移除卷积神经网络中的冗余通道，实现模型参数量和计算量的压缩。剪枝后模型结构规整，便于利用通用计算硬件执行推理，是模型轻量化的重要技术途径。然而，现有结构化剪枝方法大多采用相对统一的通道重要性评价标准，相关准则主要依据权重范数、损失敏感度或特征图统计信息衡量通道贡献，其设计和验证较多围绕分类任务展开，对目标检测网络不同特征层级的功能差异考虑不足。在目标检测任务中，浅层高分辨率特征主要负责空间定位，对目标边缘和纹理信息较为敏感；深层低分辨率特征则侧重语义信息提取与目标类别判别。不同层级特征承担着不同的功能，若直接采用统一标准进行通道排序和剪除，容易造成定位相关关键特征的损失，进而影响检测性能。
此外，现有结构化剪枝准则大多较少考虑卷积核权重分布所反映的空间响应特性。卷积核对不同方向边缘和纹理模式的响应，体现了网络对局部空间结构的表征能力，而这些信息与火星地表目标的形态特征具有一定关联。岩石、基岩等地质目标通常具有较为明显的边缘轮廓和局部纹理特征，地表区域在颜色及光谱表现上也存在差异。因此，将火星场景相关的地质先验信息引入通道重要性评价，有助于为剪枝决策提供更加符合火星目标检测任务特点的补充依据。
针对上述问题，本文以YOLO系列目标检测网络为基础，开展面向火星场景的目标检测模型轻量化研究。通过结合火星地表边缘结构与区域特征信息构建地质先验评价，将场景相关特征引入通道重要性评估过程。同时，考虑不同特征层级在目标定位与语义表征中的作用差异，设计层级感知的差异化剪枝策略，根据不同尺度特征的功能特点调整通道剪枝权重与压缩程度，使模型在减少冗余通道的同时，尽可能保留对目标检测具有重要作用的空间细节与语义信息。通过上述设计，降低统一剪枝标准对不同层级特征造成的不合理压缩，提高模型结构精简与火星场景检测任务之间的适配性。
为验证所研究方法的有效性，本文在自建火星场景目标检测数据集上开展实验，与原始检测模型及相关结构化剪枝方法进行对比，从模型参数量、计算量和检测精度等方面综合评价轻量化效果。实验结果表明，本文所研究方法能够在降低模型复杂度的同时保持较好的目标检测性能，验证了结合火星场景先验与多尺度特征差异开展结构化剪枝的可行性，也为后续进一步研究场景与资源约束协同驱动的轻量化模型生成方法提供参考。
 

火星探测；目标检测；模型轻量化；结构化剪枝