基于改进DetecNet网络的航空图像车辆检测∗

徐昭洪 刘 宇 全吉成

（空军航空大学数字地球实验室 长春 130022）

1 引言

在目标检测研究领域，传统的目标检测算法主要是基于匹配和分割的检测算法，在目标识别方面高度依赖于人工设计的特征，导致始终无法提升其实效性和检测精确度。随着计算机硬件技术（主要是GPU、TPU）的进步和人工神经网络技术的不断发展，深度学习为目标检测提供了新的思路和方法。深度学习技术在目标检测上的重大进步主要在于其强大的特征提取能力，它的多层特征提取不但速度快，并且有利于揭示出目标类别之间的根本性特征差异，增加图像分类的准确性，同时满足了目标检测任务的准确性和时效性要求。

目前，基于深度学习发展出现的目标检测方法主要分为两大类。第一类目标检测方法是基于区域提名的方法，包括 R-CNN［1～3］、SPP-net［4～5］、Fast R-CNN［6～7］、Faster R-CNN［8～9］、R-FCN［10～11］等。第二类目标检测方法是无需区域提名的一种端到端（End-to-End）的目标检测算法，包括 YOLO［12～13］、SSD［14～15］等单次检测器。这些端到端的目标检测算法使用了回归的思想，即给定输入图像，直接在图像的多个位置上回归出这个位置的目标边框以及目标类别。曹诗雨［16］等针对传统车辆目标检测问题中需要不同图像场景选择适合特征这一问题，提出了一种基于快速区域卷积神经网络（Fast R-CNN）的场景图像车辆目标检测方法，避免传统车辆目标检测中需要设计手工特征的问题，但是该模型的缺点是训练时间长、预测时间长、实效性不强。龚静［17］等提出基于YOLOv2的车辆实时检测算法，采用小批量梯度下降法和冲量更新参数以及使用多尺度图像输入进行模型训练，以提高检测速度和准确度，但实验结果却表明该模型的召回率较低。……