基于multi-FPN 的遥感目标检测方法

杨志钢，黎明，李泳江

哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001

遥感技术的不断发展使得从遥感图像中对特定目标进行检测的需求与日俱增。相比于传统手工提取特征的方法，深度学习方法利用卷积神经网 络(convolutional neural networks，CNN) 自动学习图像特征，通过不断迭代训练大量的数据样本，挖掘其中的有效信息[1]，以此规避传统目标检测方法中的缺点，能够有效提高目标检测的精度和速度。

目前遥感图像领域中的目标检测方法大多是由通用目标检测方法改进而成的，大体分为2 类：两阶段检测方法和单阶段检测方法。前者的代表是R-CNN 及其延伸[2−5]，它们通过主干网络对图像提取特征后，先生成锚点和对象建议，再对建议进一步地分类、回归和优化边界框；后者的代表是YOLO 系列[6−8]、SSD[9]和RetinaNet[10]，它们不再生成区域建议，而是直接从特征图预测边界框并区分具体类别。这些方法虽然在通用数据集上取得了很好的成绩，但直接应用于遥感图像时往往效果不佳，原因在于遥感图像目标多数具有尺度多样、排布密集、背景复杂等特点，这些方法当中的主干网络[11−14]很难在这样的环境中准确提取特征，致使学习到错误的分类和回归信息。Lin 等[15]提出FPN 用以解决目标特征难以分辨的问题，通过在主干网络中构建由上到下的特征金字塔和横向连接结构增强多尺度特征的传播，大幅提升了检测精度。随后研究人员在此基础上做了一些改进[16−19]以适应遥感图像目标检测的特点，但这些改进方法普遍是对单一类别目标进行检测，且在场景复杂或目标较为密集时检测性能有所下降。……