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6 SAR图像目标检测方法

Table 6 The object detection methods of SAR images

文献 方法 特点 Ding等[53]，2016 CNN 结合卷积神经网络和三种数据增广方法，实现对SAR图像目标自动识别 Liu等[54]，2017 CNN 提出了基于海陆分割的CNN框架，结合CNN、显著性计算和角点特性实现SAR图像船舶检测 Wang等[55]，2018 SSD 结合迁移学习和SSD模型提高SAR图像检测精度，降低误报率 Zhao等[56]，2018 耦合CNN 以耦合CNN作为特征提取网络，提出了基于脉冲余弦变换的视觉注意力方法，从频域角度进行船舶识别 Fan等[57]，2019 分割模型 基于全卷积网络提出了一种针对极化SAR图像的船舶分割模型，有效减少海杂波和SAR图像模糊影响 Lin等[58]，2019 注意力机制 结合SENet和FasterR-CNN减少船舶误检、漏检情况 Chang等[59]，2019 YOLOv2 基于YOLOv2提出了一种层数更少的新框架，更好地减少计算量和模型检测时间 Wei等[60]，2020 高分辨率金字塔网络 提出了一种高分辨率特征金字塔模型用于提取SAR图像中高层和低层特征，并采用缓和非极大抑制方法（Soft-NMS）提高密集船舶目标检测性能 Chen等[61]，2020 双注意力机制 提出了一种多尺度双注意目标检测网络用于机场提取