为了将基于深度神经网络(DNN)的目标检测模型部署到资源受限设备，需要对模型进行轻量化设计，而资源受限设备的计算能力往往有限。请提供设计更轻，参数更少的模型

针对资源受限设备的轻量化设计，有以下几种方法：

1. MobileNet：MobileNet是Google提出的针对移动端设备的卷积神经网络，采用了深度可分离卷积来减少参数数量和计算量，同时保持模型精度。MobileNet可以在移动设备上实现实时目标检测。

2. SqueezeNet：SqueezeNet是UC Berkeley提出的轻量级卷积神经网络，采用了Fire模块来减少网络参数和计算量。SqueezeNet模型的参数数量只有AlexNet的1/50，同时精度也非常接近AlexNet。

3. ShuffleNet：ShuffleNet是由微软提出的轻量级卷积神经网络，采用了通道重排技术来减少计算量。ShuffleNet模型的参数数量比MobileNet还要少，同时精度也比MobileNet高一些。

总体来说，MobileNet、SqueezeNet和ShuffleNet都是比较适合在资源受限设备上进行目标检测的轻量化模型。具体选择哪种模型需要根据实际情况来进行评估和选择。