陈 欣 ，万敏杰 *，马 超 ，陈 钱 ，顾国华 *

（1. 南京理工大学电子工程与光电技术学院，江苏南京210094；2. 南京理工大学江苏省光谱成像与智能感知重点实验室，江苏南京210094）

1 引 言

遥感图像目标检测技术是目前计算机视觉领域重要的研究方向之一。相对于其他类型的遥感图像，高分辨率光学遥感图像具有独特的优势，因此在民用和军事领域得到了广泛的应用［1］。传统的遥感图像目标检测方法，如尺度不变特征变换、方向梯度直方图（HOG）、形变部件模型（DPM）等，都依赖人工设计的特征，检测精度较低，实时性差。

自 2012 年 Hinton 等人提出的 AlexNet 在 Im⁃ageNet 大规模视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）图像分类比赛夺冠后，深度学习迅速发展，并在计算机视觉领域得到了越来越广泛的运用［2］，越来越多的学者将深度学习应用于遥感场景下的目标检测中［3-4］。基于深度学习的目标检测算法主要分为两类：一是以Faster R-CNN［5］系列为代表的基于候选区域的两阶段目标检测算法，该方法基于原始图像生成一系列建议区域，并将建议区域和特征图输入感兴趣区域池化层，最终实现目标的分类与定位；二是以SSD（Single Shot multibox Detector）［6］、YOLO［7］系列为代表的基于回归的单阶段目标检测算法，该类方法从回归的角度出发，直接在图像上回归出目标的边框位置和目标类别。文献［8］对Faster R-CNN 不同层的特征图进行聚合并改进了其损失函数，在合成孔径雷达（SAR）图像中的舰船目标检测上取得了较好的效果。文献［9］提出了DSSD 模型，采用ResNet-101 并结合反卷积模块加入了上下文信息，提高了网络的特征提取能力，但其检测速度较慢。……