吴 杰，段 锦，赫立群，李英超，朱文涛

1.长春理工大学 电子信息工程学院，长春130022

2.长春理工大学 空间光电技术研究所 基础技术实验室，长春130022

随着遥感技术与通信的发展，遥感图像中所反应的信息也越来越丰富，飞机在民用和军事上都有着不可代替的作用，因此遥感图像中飞机目标的检测有着重要的价值。针对遥感飞机图像存在的目标较小、背景复杂、曝光度高等问题，传统的检测方法例如尺度不变特征[1]、方向梯度直方图[2]和DPM[3]存在较差的鲁棒性。近几年，深度学习在目标检测领域有着非常好的效果，基于卷积神经网络（CNN）的目标检测算法可以分为两类：第一类是基于区域的目标检测方法，主要有Faster RCNN[4]、Mask RCNN[5]等、这类方法优势在拥有较高的检测精度，但是检测速度慢。第二类是基于回归的目标检测方法，如SSD[6-7]，YOLO[8]等，YOLO检测自今已经发展了三代，并衍生出很多针对特定场景的网络，YOLO 首先使用回归的思想进行图像目标分类，检测速度达到45帧/s，缺点是对小目标的定位检测度不高；YOLOv2 优化了YOLO的模型结构，提升了检测速度但是由于基础结构简单，没有对检测精度提升[9]；YOLOv3利用深度残差网络提取图像特征，由于用于特征提取的最小特征图偏大，造成检测速度降低和对中等或较大尺寸物体检测效果不佳；YOLOv3-tiny 版本将原网络进行压缩，没有使用残差层，只使用了两个不同尺度的YOLO 输出层，提升了检测速度和对小目标检测精度，由于遥感图像目标飞机多为相对尺寸小于0.1 的小目标，且检测速度要求较高，适合作为本此检测的基础网络[10]，它采用的是端到端的目标检测，在保证准确度的同时，大大提高了检测速度。……