融合特征的深度学习遥感图像目标检测模型

张永福，宋海林，班 越，汪西莉

(陕西师范大学 计算机科学学院，陕西 西安 710119)

0 引 言

目标检测是计算机视觉的研究热点之一，随着遥感卫星以及无人机的增多，遥感图像数据的大数据特点日益凸显。遥感图像目标检测，即在遥感图像中获取特定目标的位置和类别，在公共安全、车辆监控、智慧城市等诸多方面具有重要的应用价值。遥感图像目标检测和普通光学图像目标检测相比有很多不同，如遥感图像尺寸较大，而目标相对所占比例小，目标可能非常密集，且目标的大小、姿态等可能会有很大的不同，遥感图像中的复杂背景以及遮挡、阴影等也会使目标检测难度增加。针对这些挑战及标记样本较少的实际情况，提出了一种融合特征的深度学习遥感图像目标检测模型，贡献主要有：小规模的网络结构应对标记样本少的问题，多级特征融合策略应对不同尺度目标检测难题，新的后处理算法进一步提升检测精度。所提模型和Faster R-CNN相比在提高检测精度的同时降低了漏检率和误检率。

1 相关工作

随着深度学习的兴起，卷积神经网络(convolutional neural networks，CNN)被用于图像目标检测，CNN通过大量的训练数据自主学习到图像的多层次特征，相对于传统的手工设计特征，展现了其自动和有效性[1]。但是卷积网络由于卷积和池化操作在信息传递时会导致信息丢失，进而对多尺度目标检测效果不理想。通常采用两种方式解决此问题，一种是改进卷积网络结构，如He等[2]提……