李 尊,吴 豫,张 开,张嵩阳,丁子璇,刘镇弢,孙 伟,

（1.国网河南省电力公司，河南 郑州 450052；2.河南九域恩湃电力技术有限公司，河南 郑州 450016；3.西安电子科技大学，陕西 西安 710126；4.西安邮电大学，陕西 西安 710121）

1 研究背景

近些年来，无人机在现代军用和民用领域发挥着越来越重要的作用。而航拍目标检测一直以来都是无人机研究的重要内容，无人机可以在不同的环境下，完成指定的监测和侦查任务，其重要性不言而喻。但目前的目标识别大多针对普通大小的图像，而无人机在特定环境下拍摄的航空图像数据量大，覆盖面积更广，目标更小且聚集在一起，这就使得目前的目标识别检测算法在航拍图像中的识别效果并不理想，存在误检、漏检的情况[1-3]。因此，需要识别检测到小目标，以实现完整地标记识别目标。目标识别是计算机视觉领域的一个重要研究内容，也是国内外学者的研究热点。

目标检测算法[4-6]发展迅猛，种类繁多，基于深度学习的目标检测方法主要分为两类：一类是基于候选区域的卷积神经网络模型，另一类是基于回归的卷积神经网络模型。基于候选区域的目标检测算法是R-CNN网络和一系列优化模网络[7-9]。这种方法首先对图像进行先分类后回归处理，使用启发式方法或者CNN网络产生最有可能包含目标的子区域，然后在子区域上做分类与回归。基于回归的目标检测算法包括SSD和YOLO系列网络模型[10-13]。这种方法不需要对输入图像进行候选区域提取，用整张图像作为网络的输入，并在输出层回归检测目标边界框的位置和所属的类别。……