改进锚点框与融合多尺度特征的光学遥感目标检测

王志欣 ，万绍俊 ，马晓莹*

(1．国家无线电监测中心，北京 100037；2．深圳大学 电子与信息工程学院，广东 深圳 518000)

0 引言

遥感技术是人类探索地球的有效手段之一。近年来，随着各国发射光学遥感卫星的数量逐年增长[1]，光学遥感图像来源愈发丰富。同时，随着以深度卷积神经网络[2]为代表的深度学习技术的发展，基于深度学习的光学遥感图像目标检测算法发展迅速。

Chen等人[3]通过改进HDCNN网络，实现了光学遥感图像中的汽车目标检测;Feng等人[4]通过在R-CNN中引入运动信息实现了小目标的有效检测；Yao等人[5]首次将Faster R-CNN算法应用于遥感图像检测，相较于传统遥感检测算法其检测精度有明显提升；Li等人[6]针对遥感图像中目标方向变化问题，在Faster R-CNN的RPN模块中加入多角度锚点框，有效地解决了遥感图像中目标方向多变的问题；Wang等人[7]通过优化RPN模块并应用于检测机场、操场等基础设施，得到了较好结果；Li等人[8]在Faster R-CNN基础上加入类型先验网络(CPN)，实现了自适应的目标检测；Cheng等人[9]提出的RICNN网络基于旋转不变层实现，也在一定程度上解决了遥感图像中目标方向多变的问题；Liu等人[10]构建的基于旋转区域的RR-CNN网络，提出了基于旋转边界框的旋转感兴趣区域池化层，并添加了多任务损失以学习每个候选区域的非极大值抑制分数；Wang等人[11]和Cui等人[12]在FCN算法上进行了改进，分别在舰船和油罐检测上取得了良好效果；Yang等人[13]通过构建稠密特征金字塔，利用稠密连接自上而下地生成信息丰富的融合特征，以提升舰船目标检测精度；……