胡楠 李润生 王载武

摘要：光学遥感图像中蕴含着大量信息，更新速度非常快。使用人工方法对光学遥感图像进行判读和目标的识别显然早已达不到现代社会各领域的需求。实时、高效地从光学遥感图像中识别出感兴趣目标具有非常重要的意义。本文对基于人工智能的图像飞机识别研究现状进行了总结，方便后续学者研究。

关键词：遥感图像;深度学习;飞机识别;Faster R-CNN

中图分类号：TP7 文献标识码：B DOI：10？郾3969/j.issn.1001-0270.2020.02.19

Abstract： Optical remote sensing images contain a lot of information and update very fast. It is obvious that the use of artificial methods to interpret and identify optical remote sensing images can not meet the needs of modern society in all fields. Real-time and efficient recognition of interested objects from optical remote sensing images is of great significance. In this paper， the research status of AI-based image aircraft recognition is summarized for the convenience of follow-up scholars.

Key Words： Remote Sensing Image; In-depth Learning; Aircraft Recognition; Faster R-CNN

1 引言

深度学习首先由Hinton[1]等人于2006年提出。经过研究，卷积神经网络的深度学习模型凭借其优异性能，成功用于人脸识别等。在2012年，Geoffrey Hinton教授在基于深度学习中的卷积神经网络在ILSVRC中，将传统检测算法的top-5错误率降低到15.3%[2]。在2014年，region proposal+CNN算法框架出现，使深度学习在目标检测中性能取得重大突破。region proposal+CNN算法在PASCAL VOC 2012数据集上的平均检测精度达到了53.3%[3]。2015年，空间金字塔池化网络结构[4]完成了任意图像尺寸的输入。同年，R-CNN的加速版本Fast R-CNN，完成了单级训练过程的端对端和损失函数的多任务形式，使得训练速度大大加快。在2016年，任少卿[5]等人为了解决目标检测中，生成候选框区域的时间过长的困难，提出了进一步改进后的网络架构Faster R-CNN。

2 Faster R-CNN網络模型

基于候选区域的目标检测算法的过程为，候选区域生成、特征提取、感兴趣目标的检测与识别定位[6]。Faster R-CNN经过了R-CNN以及Fast R-CNN的发展，整个步骤已经统一到了一个深度学习网络框架之内，能够在GPU中完成，神经网络的训练和目标的检测速度都得到了大幅度提升。……