张省， 李山山， 魏国芳， 张新耐， 高建威

1. 中国矿业大学 环境与测绘学院, 徐州 221116;

2. 中国矿业大学 人工智能研究院, 徐州 221116;

3. 中国科学院空天信息创新研究院, 北京 100094;

4. 济南市勘察测绘研究院, 济南 250013;

5. 中国空间技术研究院卫星应用总体部, 北京 100094

1 引 言

随着遥感技术的不断发展，遥感数据的获取不再困难，利用遥感数据及时准确地掌握地物目标的位置分布对交通规划、精准农业、军事侦察以及海洋管理等都具有重大的意义（刘畅和朱卫纲，2021）。然而，传统的遥感图像目标检测方法利用方向梯度直方图HOG（Histogram of Oriented Gradient） 特征或者尺度不变特征转换SIFT（Scale-invariant feature transform），缺乏对遥感图像中目标稀疏性以及遥感图像尺度问题的考虑，同时存在计算开销大等问题（姚艳清 等，2021）。因此对遥感影像中特定目标高效地定位与识别成为了当前的研究热点。

近些年来，深度学习和计算机视觉技术不断发展，在自然场景下基于卷积神经网络CNNs（Convolutional Neural Networks）的目标检测算法代替了传统HOG 和SIFT 的手工特征，取得了突破性的 进 展。 R-CNN （Region-based Convolutional Neural Network）（Girshick，2014）率先利用CNNs对候选目标区域提取特征，再利用机器学习方法对这些区域进行分类和定位。Fast R-CNN（Girshick，2015）在其基础上利用特征图进行感兴趣区域的提取，极大地减少了计算量。Faster R-CNN（Ren 等，2017）摒弃了选择性搜索算法SS （Selected Search），利用区域生成网络RPN（Region Proposal Network）来提取感兴趣区域，提升了检测的精度和效率；此外，以YOLO（Yon Only Look Once）（Redmon 等，2016）、RetinaNet（Lin 等，2017b）等算法为代表的单阶段目标检测算法致力于提升模型整体的运算效率。YOLO 算法将检测任务统一视为回归问题，将图像划分为多个子区域并在每个区域内找到目标的位置（Redmon 等，2016）。……