李森森，吴 清

河北工业大学 人工智能与数据科学学院，天津 300401

1 引言

近十年来遥感技术有了很大的发展，光学遥感传感器分辨率也得到了很大的提升，大量高分辨率遥感图像逐渐在军事和民用领域发挥出重要作用。如何更好地从遥感图像中提取特征，做到更加准确的识别与分割成为一个重要的研究方向[1]。

遥感图像往往具有更加复杂的背景。HOG[2]、SIFT[3]、SVD[4]等传统的方法需要针对不同的场景利用大量先验知识进行人工特征设计，但在面对复杂遥感图像时，人工设计特征的描述能力十分有限，并且适用性和通用性很差，表现效果并不理想，这一问题在多目标检测中更为突出。随着深度学习技术的发展，相较于传统方式，通过大量的数据训练，神经网络可以学习到图像更深层次的特征，做到更加准确的识别与分割。对遥感图像目标检测的研究，Jiang等人[5]利用基于超像素分割的方法对遥感图像进行碎片提取，通过将提取的图像碎片输入CNN网络来检测是否存在车辆；Cheng等人[6]提出RICNN神经网络，在原有CNN体系基础上引入旋转不变层来提升遥感图像的多目标检测性能；Nie等人[7]为提高船只检测准确率，通过使用Soft-NMS替换Mask R-CNN中的NMS算法，对非最大检测框的检测分数进行权重衰减而非彻底移除，有效地解决了在处理密集船只时难以分开的问题。对于遥感图像目标分割的研究，Long等人[8]提出全卷积神经网络，去掉通用检测网络末端的全连接层，创建了端到端的分割神经网络，并成为分割网络的基础；……