孔 颉，孙权森

（1.南京理工大学计算机科学与工程学院，南京 210094；2.江苏科技大学计算机学院，镇江 212100）

引 言

遥感图像目标检测是从一幅遥感图像中检测出所有目标物，并确定其类别信息。遥感图像以其尺度多样性、视角特殊性、多方向问题、小目标问题以及背景复杂度高等特殊性，为解译图像处理任务带来了很大的挑战。传统的基于机器学习的遥感图像目标检测方法有K 近邻法（K‑nearest neighbour，KNN）［1］、支持向量机（Support vector machine，SVM）［2］和神经网络（Neural network，NN）［3］等。然而这些方法会面临以下问题：（1）时间复杂度与样本数相关；（2）随样本集的增大，机器内存空间需求不断增大；（3）高效的特征提取方法与高效分类器的兼容性问题。

为解决以上问题，考虑引入哈希学习方法，提升检测效率。哈希技术以其低存储、高效率的优势已经广泛应用于图像处理领域。经典的哈希方法包括局部敏感哈希（Locality sensitive hashing，LSH）［4］、谱哈希（Spectral hashing，SH）［5］、核哈希（Kernel supervised hashing，KSH）［6］以及监督离散哈希（Super‑vised discrete hashing，SDH）［7］方法等。然而，要直接引入到遥感图像领域，需要考虑遥感的特殊性。在先前的工作中，通过将SDH 中引入仿射不变因子构造仿射不变离散哈希（Affined invariant discrete hashing，AIDH），可以解决因遥感成像中出现的仿射变换引起的语义理解问题［8］。然而，遥感数据的复杂性使得AIDH 在目标检测的总体精度提升有限，一些漏判和误判的问题难以解决。目前流行的深度学习方法具备超强的特征表达优势并且取得了不错的效果，却是对样本集有很大的依赖性。从解决漏判和误判问题入手，以传统的数据驱动的目标检测思想为指导，通过引入空间信息的学习提升检测精度。……