牛 戈，陈小前，季明江，郭鹏宇，刘 勇，冉德超

（军事科学院 国防科技创新研究院，北京 100071）

0 引言

信息化时代使深度学习技术突飞猛进，遥感领域相关工作也因深度学习的接入融合而不断发展。近年来，遥感目标检测由基于人工提取特征的传统方法，发展到以神经网络模型为驱动，对特征进行提取、学习并产生检测结果的方法，算法的检测精度以及运行速度都有大幅提升［1］。针对光学遥感图像的舰船目标检测作为海运交通、国防预警等领域的重要应用技术，有着不可替代的战略意义。特别是随着嵌入式智能图像处理平台的快速更新，舰船目标检测算法的在轨应用迎来了新的发展，也给嵌入式遥感图像舰船目标智能检测研究带来了新的挑战。

回顾目标检测发展历史，在AlexNet 完善了神经网络结构［1］后，2014 年以区域建议为核心技术的R-CNN［2］的诞生，标志着目标检测全面进入深度学习时代。经典的目标检测算法可划分为Anchorbased、Anchor-free 两类。Anchor-based 类目标检测算法通过Anchor 机制对图像中设定的各个锚点生成密集的锚框，使得网络可以针对这些锚框进行边界框回归和目标分类，主流的Anchor-based 类算法有Faster R-CNN［3］、FPN［4］、YOLO［5-6］、SSD［7］、Retina-Net［8］等。Anchor-based 类算法需 要设定一些超参数，例如锚框长宽比、尺度和交并比（Intersection-over-Union，IoU）阈值等，参数的设定一定程度依赖先验知识，并且由于生成锚框数量过多，可能产生很多不包含目标的冗余框，从而造成正负样本比例严重失衡。Anchor-free 类算法将检测分为确定物体中心和4 条边框这2 个子问题，拥有更大更灵活的解空间和更少的Anchor 计算量，主流的Anchor-free 类算法有DenseBox［10］、YOLO［11］、Corner-Net［12］、Center-Net［13］等。……