高分辨率光学遥感图像目标检测

目标检测对光学遥感图像的解释至关重要，可以作为研究利用遥感的其他视觉任务的基础。然而，目前在光学遥感图像中使用的目标检测网络没有充分利用特征金字塔的输出，因此仍有改进检测的潜力。

目前，难以在检测效率和检测效果之间获得适当的平衡。我们就研究出了一种用于高分辨率光学遥感图像中目标检测的增强YOLOv5算法，利用多层特征金字塔、多检测头策略和混合注意力模块来提高光学遥感图像的目标检测网络的效果。根据SIMD数据集，新算法的mAP比YOLOv5好2.2%，比YOLOX好8.48%，在检测效果和速度之间实现了更好的平衡。

随着遥感技术的快速发展，高分辨率光学遥感图像已被用于描述地球表面的许多物体，包括飞机、汽车、建筑物等。目标检测在遥感图像的解释中起着至关重要的作用，可用于遥感图像的分割、描述和目标跟踪。然而，由于其相对较大的视场和高海拔的必要性，航空光学遥感图像表现出尺度、视点特异性、随机定向和高背景复杂性的多样性，而大多数传统数据集包含地面视图。因此，用于构建人工特征的对象检测技术传统上在精度和速度方面具有较差的记录。基于卷积神经网络的目标检测算法明显比传统的目标检测方法更高效。由于社会的需要和深度学习发展的支持，在光学遥感图像中使用神经网络进行目标检测是必要的。

目前结合深度学习分析光学遥感照片的目标检测算法可以分为有监督、监督不力或无监督。然而，由于无监督和弱监督算法的复杂性和不稳定性，监督算法是最常用的算法。此外，监督目标检测算法可以分为单阶段或两阶段。基于飞机通常位于机场，船舶通常位于港口和海洋的假设，在下采样卫星图像中检测机场和港口，然后将发现的项目映射回原始的超高分辨率卫星图像，可以成功地同时检测不同大小的物体。有研究者提出了一种基于RCNN的旋转目标检测方法，通过解决目标方向的随机化问题，提高遥感图像中目标检测的准确性。

目前