宋忠浩,谷 雨,陈 旭,聂圣东
杭州电子科技大学 自动化学院,杭州310018
高分辨率遥感图像的目标检测是高分对地观测系统中图像解译的重要内容。与自然场景图像相比,遥感图像拥有更加广阔的视野和更丰富的信息,在侦查监视、资源勘探、灾害监测、城市规划、交通管制、武器制导等领域有着广泛的应用[1-3]。传统遥感图像目标检测算法的流程是先进行区域选择,然后基于图像的纹理、色彩、尺度等进行特征提取,最后通过传统机器学习分类器(如支持向量机等)对滑动窗口进行分类来达到目标检测的目的。这种传统的做法存在算法适应性不高,提取特征鲁棒性弱,检测实时性差的缺陷[4]。
近年来,随着深度学习技术的迅速发展,遥感图像的目标检测技术实现了重大突破[4]。目前,基于深度学习的目标检测算法大致可以分为基于区域的和基于回归的两大类。基于区域的检测算法以RCNN[5-7]系列为代表,将检测问题划分为两个阶段,该类算法精度高但检测实时性较差。基于回归的算法以统一实时目标检测算法(You Only Look Once,YOLO)[8]、多尺度单发射击检测算法(Single Shot multibox Detector,SSD)[9]为代表,是一种端到端的单阶段方法,该类算法检测速度快但精度较低。在两类算法的基础之上,很多专家和研究学者针对遥感图像的目标尺度多样性、旋转角度多样性、小目标居多、背景复杂以及遮挡等特点进行了适应性的改进和优化[10-12]。并且在多个已公开的遥感图像数据集上都取得了较好的实验结……