李 巍，戴朝霞，张向东，张 亮，沈沛意

1.西安电子科技大学 通信工程学院，西安710126

2.中国电子科技网络信息安全有限公司，成都610041

3.西安电子科技大学 计算机科学与技术学院，西安710126

卫星遥感目标检测在军事侦察、船舶管理、灾害监测、无人驾驶等领域有着十分重要的应用。随着人工智能技术的蓬勃发展，深度学习在目标检测领域不断突破现有瓶颈，相比于传统方法，其在图像的目标检测、分类分割上更加具有性能优势。深度学习技术所具备的高效通用、灵活易学性，使其成为卫星数据处理领域一个热门研究方向。深度学习在目标检测领域可以分为“two-stage detection”和“one-stage detection”两种检测方法，两者的不同之处在于，前者是一个从粗到细的两阶段处理过程，后者则是一步完成[1]。两阶段检测模型主要包括R-CNN[2]、Fast R-CNN[3]、Faster R-CNN[4]、R-FCN[5]等，检测过程的第一阶段提供大量候选区域，第二阶段则进行具体判定并筛选分数最高的区域。虽然两阶段方法的检测准确率较高，但是不能应用于实时检测。单阶段检测模型主要包括YOLOv1[6]、YOLOv2[7]、YOLOv3[8]、SSD[9]等系列方法。单阶段检测模型拥有更快的速度，可以直接完成端到端的预测，抛弃了两阶段粗检测和精检测的过程，但一定程度上降低了物体检测的精度。

在卫星影像目标检测领域中，检测算法需要维持检测速度和精度之间的平衡。Benjdira等[10]对一阶段检测和两阶段检测模型在卫星影像数据集上进行了细致对比，在精度相当的情况下，一阶段检测算法的灵敏度和处理时间均优于两阶段检测算法。……