魏 玮，杨 茹，朱 叶

河北工业大学 人工智能与数据科学学院，天津 300401

近年来，基于深度学习的目标检测算法层出不穷，不少学者越来越关注算法面向工业界的应用，尤其是对实际应用场景是否有足够的鲁棒性。遥感图像具有宏观、客观、综合、实时、动态、快速等特点，为地球资源调查与开发、国土整治、环境监测，以及全球性的研究提供了新的手段。

随着计算机视觉、人工智能技术的迅速发展，在众多的目标检测算法中，基于深度学习的方法因其无需特征工程，适应性强，易于转换等特点得到了较为广泛的应用[1]。因此用深度学习的方法来进行遥感图像的目标检测是目前研究的热点，也是未来发展的方向。现阶段通过深度学习来进行目标检测的方法主要有两种：两阶段（two-stage）检测模型和单阶段（one-stage）检测模型。两阶段检测模型，将图片分成两个阶段处理，检测精度较高，但是耗时过长，难以达到实时检测效果，主要包括：R-CNN[2]、Fast R-CNN[3]、Faster R-CNN[4]、R-FCN[5]等。单阶段检测模型能实现端到端的检测，有着更快的检测速度，精度相较于两阶段检测有所降低，主要包括：YOLO[6]、SSD[7]、YOLOv2[8]、YOLOv3[9]等。

从CornerNet[10]开始，Anchor-Free 的目标检测模型层出不穷，随后达到了井喷的状态，意味着目标检测迈入了Anchor-Free 时代。早期的Anchor-Free 检测模型主要有：DenseBox[11]、YOLO，而后新出的检测模型主要 包括：ExtremeNet[12]、CenterNet[13]、FSAF[14]、FCOS[15]、FoveaBox[16]等。Anchor-Free 模型算法主要的优势在于抛弃了目前两阶段模型和单阶段模型都用到的anchor boxes，主要原因主要有两点：一是一张图片上提取的anchor boxes 数量较多，而目标相对较少，从而造成正负样本不均衡；……