王露荻 解月江

航天新长征大道科技有限公司, 北京100070

卫星遥感调查具有视点高、视域广、数据采集快等特点，获取的资料可直接进入计算机图像处理系统，具有传统的调查方法无法比拟的优势。随着遥感技术不断发展，卫星遥感影像的应用日益增多,但在云、雾及复杂地形等干扰下进行精确的目标检测仍是其中的难点。传统遥感影像识别采用基于知识或基于分类的识别方法[1-2],为抗干扰，算法会对采集到的视频及图像首先进行去噪、或图像增强处理[3-6]；之后采取基于高斯背景模型[4]或是手工特征描述算法与分类器结合[5-6]的方式进行识别。近年深度学习在该领域的应用日益增多，如文献[7]则使用深度卷积网对目标进行了较为准确的识别。

但现有算法(包括深度学习)检测复杂背景图像时仍无法直接取得良好效果。为使工业实践中的目标识别算法具备更好的适应性，除了从改善图像质量入手外，还可以通过从原图有选择性地提取特征，来增加目标检测对不同环境的适应性。实际上,深度学习网络训练过程中提取过多和域相关的特征会导致模型在该域内过拟合。为减小拟合程度，需设计合适的网络训练算法。Yaroslav Ganin等用特征空间上的交叉域鲁棒性增强的方式来改进分类网络，并使用了对抗训练的方式[8]，这是首次对特征空间的域适应，很好地解决了不同域层面上的适配问题。文献[9]尝试将该思路引用到目标检测网中，也取得了较好的效果。……