王鼎山，贾世杰

(大连交通大学 电气信息工程学院，辽宁 大连 116028)

0 引 言

智能无人机近几年在能源巡检[1]、海上救援[2]、交通监管[3]等领域内获得了越来越广泛的应用，而目标检测是实现无人机智能感知的关键技术之一，凭借着深度学习的优势，当前目标检测发展日渐成熟，并建立了以Faster R-CNN[4]、R-FCN[5]、Cascade R-CNN[6]等为代表算法的两阶段检测框架和以SSD[7,8]系列、YOLO[9-12]系列、RetinaNet[13]等算法为主的单阶段检测框架，在常规图像数据集上，此类检测算法取得了巨大的成功。然而，在航拍图像中由于目标物体尺寸偏小、特征不明显和分布不均匀的特性，使得这些通用目标检测器无法充分发挥其潜能，导致航拍图像中的目标检测效果并不理想。

为了使目标检测在无人机航拍图像处理中获得良好的性能，众多研究者提出了不同的方法和策略来弥补检测器的不足。Liang X等[14]提出的FS-SSD改进算法，从多类目标之间的相互作用考虑来进行空间上下文分析，充分利用了目标特征的邻域信息，弥补了SSD在小目标检测上存在的不足，但该方法依赖于相关权衡参数和距离阈值的设置，不利于模型的自适应学习。高杨等[15]运用多层特征融合的方式对Faster R-CNN进行了改进，提升了小目标的检测精度，但是各层特征的融合并不总是有效，有时一些背景噪声的干扰会影响特征图的激活。Zhang X等[16]基于Cascade R-CNN级联检测的思想，提出一种多模型融合的航拍目标检测器DSOD，有效提升了密集小目标的检测性能。

上述检测算法从不同的角度考虑，给出了针对航拍图像目标检测效果不佳的相应解决方案，但是很少通过优化预测阶段的特征来进一步提高检测器的性能。……