基于改进SSD 框架的遥感影像飞机目标检测方法*

王 冰，周 焰，张怀念，赵 凯

（空军预警学院预警情报系，武汉 430019）

0 引言

遥感影像飞机目标检测能够通过获取地面飞机动态信息，为后续的空中目标识别提供情报，在军事与民用领域有广泛应用。近年来，深度学习依靠强大的自动提取特征能力，成为处理飞机目标检测问题的重要途径。文献［1-3］基于深度卷积神经网络完成图像特征的自动提取与目标检测，能够较为准确地检测到飞机目标。

目前基于深度学习的飞机目标检测方法主要有两类。第1 类方法的代表为Faster R-CNN［4］、SPP-Net［5］等，这类方法的检测精度较高，但必须将候选框输入CNN 中再检测，导致检测速度较慢。第2 类方法的代表为YOLO［6］（You Only Look Once）、单一目标多尺度检测框架［7］（Single Shot MultiBox Detector，SSD）等，它的思想是利用深度卷积神经网络提取图像特征后，将特征图均匀分割成网格，在网格上使用候选框检测目标。由于减少了输入候选框到CNN 中再检测的环节，SSD 方法的检测速度相对较高，是飞机目标检测的首选框架，但存在的问题是对不同目标的特征提取无差异，未针对飞机目标的特征与尺寸设计网络。

针对以上的问题，设计并构建了飞机目标Inception 网络（AFInceptionNet）以及飞机目标候选框生成网络（Aircraft Target Region Proposal Network，AFRPN）。用以上网络改进SSD 检测框架，提出了AFSSD 飞机目标检测方法。

1 SSD 检测框架

SSD 检测框架是一种可以一次检测多个目标的检测模型，主要由特征提取网络、候选框生成网络这两部分组成。在模型的训练与检测时，将图像输入到模型中，特征提取网络提取图像的特征图并传递给候选框生成网络，后者直接在特征图上完成候选框的训练与检测，舍弃了再将候选框输入到CNN中训练与检测的过程。……