聂子一，张璞

（1.河北地质大学信息工程学院，河北石家庄，050031；2.河北政法职业学院，河北石家庄，050067）

0 引言

遥感图像是通过航拍得到的图像，随着我国航天技术的不断发展，遥感图像的分辨率越来越高，在国土资源管理、环境监测、气象、军事等不同领域具有越来越重要的价值。基于深度神经网络的目标检测算法参数较多，体积较大，计算速度慢，且由于遥感图像中物体具有排列密集、物体尺度变化大并且物体背景复杂的特点，使得遥感图像中的目标难以被准确的检测，如何根据遥感图像快速检测目标便成为一项艰难的挑战。

为解决上述问题，本文提出将轻量化网络模型与YOLOv3 算法相结合的G-YOLOv3 遥感图像目标检测算法，该算法使用嵌套残差块，在不改变本征特征图大小的情况下，通过线性操作提取本征特征图更深层次的特征，且在残差块中添加了注意力机制，加强了网络的特征提取能力。

当前基于CNN 网络模型的目标检测算法分为两类，基于候选区域的目标检测算法和基于回归的目标检测算法，基于候选区域的目标检测算法也被称为两阶段(two-stage)算法，两阶段检测算法即是将目标检测分为两个阶段处理，第一阶段为输入图像挑选出目标候选区域，第二阶段利用分类器对候选区域目标进行分类识别；R-CNN 是经典的两阶段目标检测模型，在R-CNN 之后相继提出基于CNN的Fast R-CNN、Fater R-CNN 等。基于回归的目标检测算法被称为单阶段(one-stage)检测算法，直接预测出物体所属类别以及目标所在位置，经过单次检测可直接得到最终的检测结果。……