陈会伟，刘树美，刘培学，公茂法

（1.青岛黄海学院 智能制造学院，山东 青岛 266427；2.山东科技大学 电气与自动化工程学院，山东 青岛 266427）

0 概述

随着遥感传感器的快速发展，高空间分辨率遥感图像可以为目标物体提供更详细、更多样的几何结构描述［1］及丰富的细节和空间结构信息。但由于物体尺度变化的复杂性，遥感目标的识别仍然存在巨大挑战。

截止目前，国内外研究人员设计了诸多算法以检测和识别遥感图像中不同类型的物体［2-3］。早期的多尺度目标检测识别算法多基于人工参与的特征设计，如DALAL［4］、LOWE［5］等利用多尺度滑动窗口生成不同尺度的图像块，分别通过手工制作的HOG（Histogram of Oriented Gradient）和SIFT（Scale-Invariant Feature Transform）等特征描述符提取特征，并将提取的特征输入支持向量机（SVM）或条件随机场（CRF）中进行分类识别。TAO 等［6］利用改进的SIFT匹配策略对机场中的目标物体进行检测。XIAO等［7］利用HOG 的旋转不变性检测遥感图像中的飞机、汽车等大型目标。虽然手工制作的特征在特定的目标识别任务中表现良好，但其通用性和鲁棒性较差［1］，且特征的设计耗时较长。

随着深度学习模型在自然语言处理、图像分割等领域的广泛应用，深度学习技术被研究人员应用于多尺度遥感目标识别和检测任务中以减少人工参与特征设计带来的误差［8］。如HAN 等［9］使用Fast-RCNN 检测高分辨率遥感图像中地理空间目标。CHEN 等［10］结合转移学习方法，利用单一结构CNN 和有限的训练样本以实现飞机识别。DENG 等［11］采用级联整流线性单元（ReLU）和inception 模块的CNN 来捕获图像多尺度特征，并通过多个中间层生成类目标区域。……