基于深度学习的遥感图像目标检测技术研究进展

付涵,范湘涛,严珍珍,杜小平

Progress of Object Detection in Remote Sensing Images based on Deep Learning

Han Fu,Xiangtao Fan,Zhenzhen Yan,Xiaoping Du

表1 实现尺度不变性的目标检测方法

Table 1 The object detection methods of scale invariance

文献 方法 特点 Zhu等[20]，2019 自下而上融合 受文献[27]启发，提取不同卷积层（conv3,conv4,conv5）候选区域对应的特征向量，经过兴趣特征池化层（ROI Pooling）、L2归一化，以促进多尺度特征融合 Dong等[19]，2020 自下而上融合 将进行膨胀扩张的卷积神经网络分支（conv4）和顶层卷积层的反卷积输出（conv5）融合，以有效利用高层语义信息 Yang等[21]，2018 自上而下融合 在ResNet网络基础上构建了5层特征金字塔 Zhu等[22]，2019 自上而下融合 在密集网络DenseNet上构建了3层特征金字塔网络以获取小目标特征 Zhuang等[23]，2019 自上而下融合 在Darknet-53网络基础上构建了3层特征金字塔 Zhang等[24]，2019 自上而下融合 构建了一种多尺度区域建议网络和多尺度目标检测网络，同时，提出了多尺度训练策略（使用基于斑块的多尺度训练数据以及使用多尺寸的图像进行训练）并进行消融实验 Qiu等[25]，2019 自上而下融合 在特征金字塔基础上加入一个门融合（gate fusion）模块，使得模型可以选择性地融合CNN不同尺度特征 Cheng等[26]，2020 自上而下以及跨尺度融合 在构建FPN的基础上，提出了一种跨尺度特征融合策略，对每个特征尺度进行特征融合和特征增强