谢俊章，彭 辉，唐健峰，侯奕辰，曾庆喜

成都信息工程大学 软件工程学院，成都610225

遥感目标检测是当前目标检测中的一个前沿和热点，它在车辆检测、远程目标跟踪、无人驾驶、空中侦察、军事、航海、打捞等方面有着重要的意义和应用[1]。遥感图像受高度、光照强度、阴影等因素影响，以及遥感图像中目标分布密集、尺度较小和背景复杂等特点，使得遥感目标检测困难。因此提高遥感目标检测效果十分重要，同时也是后续进行视频识别和轨迹跟踪等高级视觉任务的基础。

传统目标检测主要采用机器学习中的方向梯度直方图（Histogram of Oriented Gradient，HOG）[2]、AdaBoost[3]算法框架和支持向量机（Support Vector Machine，SVM）[4]等方法，它通过选取图像候选区域，使用滑动窗口来框住检测图像的一部分，然后使用人工预设计的特征提取框完成特征提取，最后通过支持向量机、可变形组件模型（Deformable Part Model，DPM）[5]等方法进行分类检测。由于传统算法提取的特征信息大部分是浅层的，它表达的信息量少，鲁棒性和泛化性较弱，并且检测时间复杂度高。Razakarivony 等[6]基于DPM、HOG、SVM 和局部二值模式（Local Binary pattern，LBP）[7]等传统算法相结合对几类遥感目标进行检测，其检测效果精确度低，漏检率高而且耗时长。因此需要更好的方法提高遥感目标的检测效果。

2012年深度卷积神经网络被提出，其通过监督学习方式，逐层、自动地学习目标从低级到高级的特征表示，在图像分类领域获得巨大成功，证明了深度学习的可行性。之后基于深度学习的经典目标检测算法诞生。基于神经网……