郭智超，丛林虎，刘爱东，邓建球，应新永

(1.海军航空大学岸防兵学院，山东 烟台 264001； 2. 91115部队)

1 引言

目标检测技术是当前计算机视觉领域的核心技术之一，当前目标检测技术逐渐发展并趋于成熟，其中随着遥感技术而发展起来的遥感图像目标检测技术具有执行效率高、检测范围大的优点，在应用方面存在着重要的价值。在军事应用领域，实时地掌握敌我双方军事目标的位置与类别信息可以让决策者根据现有信息及时做出军事部署；在民用领域，实时准确地检测遥感卫星拍摄的海上、陆上以及空中的目标信息可以更好地对其管理，在搜索救援、海上贸易、交通疏导、打击犯罪等方面具有重要作用[1]。

在遥感图像目标检测领域，基于深度学习的检测算法相比于传统检测算法(如DPM、ViolaJones)更有优势。它主要分为两类，一类是基于候选区的检测算法，最具有代表性的是Girshick于提出的Faster R-CNN算法[2]，该算法首次引入RPN候选区提取模块，2016微软研究院的何凯明团队在其基础上提出了Mask-RCNN[3]、R-FCN[4]等算法，此类算法精度较高，检测速率较慢。另一类是基于回归的目标检测算法，最具代表性的是YOLO系列检测算法和SSD系列的检测算法，其中YOLO最初于2016年由Redmon提出[5]，检测精度较差，在其基础上逐渐发展出的YOLOV2[6]、YOLOV3[7]性能逐步取得提升。虽然精度和速度都有所提升，但收敛速度较慢；SSD算法于2016年由Liu[8]提出，在检测精度和检测速度方面均表现良好，但对于小目标检测效果较差且容易出现重复框。冯家明等提出了一种YOLOv3-fass[9]算法，通过对Darknet-53网络的残差结构和卷积层的通道数进行删减使得检测速度提高近一倍，检测精度提升效果却很小。……