院老虎，翟柯嘉，张泽鹏，宋 瑞

(沈阳航空航天大学 航宇宇航学院，辽宁 沈阳 110136)

目标检测作为计算机视觉领域的研究热点之一，已广泛应用于自动驾驶［1－2］、人脸识别［3－4］和其他领域［5－6］。随着空间遥感技术的不断发展，人们获得了大量的空间遥感图像数据，遥感图像与常规图像相比不仅存在着环境背景复杂、目标物尺度多样和目标物种类复杂等缺点，而且易受云、雾等干扰信息的影响。如何快速准确地处理复杂环境下的遥感数据，检测出图像中目标的类别和位置等信息是当前研究的热点和难点。飞机在国家的军用和民用方面扮演着重要的角色，对于雾天飞机遥感图像目标检测的研究意义更为重大。

近年来，随着大数据和人工智能的迅速发展，大量优秀的目标检测算法被提出。在2014年，Girshick等［7］提出了R-CNN（Regions with Convolutional Neural Network Features）算法，基于迁移学习的方式将CNNs引入目标检测领域，进行了对常规数据集的目标检测任务，随后在2015年，Ren等［8］提出了Faster R-CNN算法，这类算法使用候选区域方法创建感兴趣区域，候选区域采用卷积神经网络RPN（Region Proposal Network）推荐，不再使用之前的Selective Search算法，其在PASCAL VOC2007［9］数据集上的平均检测精度提高到了73.2%。2016年，Redmon等［10］提出了无区域建议的YOLO（You Only Look Once）方法，网络包含了2个全连接层和24个卷积层，该算法是将测试图像划分成很多个网格，在每个网格位置上预测n个边界框，这种预测方法检测速度得到提高，但对邻近目标的检测效果较差，检测精度低于Fast R-CNN及Faster R-CNN方法。这些目标检测算法被国内外研究学者广泛应用于遥感图像目标检测领域和去雾领域。……