刘小波, 刘鹏, 蔡之华, 乔禹霖, 王凌, 汪敏. 基于深度学习的光学遥感图像目标检测研究进展. 自动化学报, 2021, 47(9): 2078−2089

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190455?viewType=HTML

遥感图像的目标检测是将图像从数据转换为信息，从而实现图像判读解译和目标监视的重要环节，其广泛应用于自然灾害监测、海上勘察和军事打击等领域。

传统的光学遥感图像目标检测算法都是以区域选择-特征提取-分类器为主线的方法。然而，随着卫星数量的增多、重访周期的缩短、图像分辨率的提高，遥感图像数据量越来越大，且随着新卫星的升空， 数据量还将会不断增加。剧增的数据量给我们的科学研究提供了很多可利用的信息，但是要利用好遥感图像还有一定的难度，特别是受天气、光照、海况、传感器参数等多种因素影响，使得光学遥感图像的特征提取较为困难。这种传统检测方法已经无法应对新的挑战，例如：

1）目标形态多样性：小目标、多尺度目标、密集目标等；

2）光照变化多样性：图像纹理、色彩、阴影等；

3）背景多样性：海洋、云雾等复杂背景。

面对这些挑战，传统目标检测算法难以满足实时性和准确性的要求，而随着深度学习的发展，深度神经网络由于其强大的自动提取特征的能力，使得其在遥感图像目标检测任务中被广泛运用。相比于传统光学遥感图像目标检测算法，基于深度学习的方法解决了传统检测算法适应性不高、对背景模型的更新要求高、提取特征鲁棒性差和检测的实时性差等缺点。

光学遥感图像不同于普通光学图像，其差异性主要体现在传感器和拍摄角度上。普通光学图像所拍摄的事物大多分布在垂直方向，并且往往目标会占据整幅图的大面积区域，整幅图像的语义信息较为简单。而光学遥感图像的情况则要复杂许多，地表上空的拍摄角度所带来的问题有：目标方向以及尺寸多变、目标密集排列出现、复杂的背景区域占据整幅图的较大区域。

本文首先对光学遥感图像目标检测的主要难点进行了介绍，接着对现有基于深度学习的目标检测算法进行概括，并以光学遥感图像目标检测的难点为驱动分析对比了不同的基于深度学习的光学遥感图像目标检测方法的优缺点，最后对未来的发展趋势进行了详细的分析。

本文主要讨论了基于深度学习的目标检测算法的研究进展，这些算法可以分为两类（图1，图2）：第一类是基于区域的算法（two-stage），其将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），该类算法的特点是精度高但速度相对慢；第二类是端到端的算法（one-stage），这是一个单一的方法，不需要区域提议（region proposal）阶段，直接产生目标的类别概率和位置坐标值，该类算法的特点是速度快但精度相对低。

我们以深度学习方法的光学遥感图像目标检测所面临的问题为导向，在遥感图像分辨率过高、目标像素过少、目标方向变化、目标尺寸变化、目标密集排列、复杂背景和样本不足7个问题上，对不同算法进行归纳和总结。

经过综述，我们得出结论：随着遥感技术的发展，光学遥感图像的质量会有进一步提升，因此光学遥感图像的应用前景依然十分广阔，目前基于深度学习的光学遥感图像目标检测发展迅速，潜力巨大。使用基于深度学习的模型可以有效解放人力，将特征工程交于算法完成，极大提高网络对于不同数据的鲁棒性。目前基于深度学习的光学遥感图像目标检测主要问题已经列出。尽管有很多研究致力于解决这些问题，并且取得了一定的效果，但是在寻找更好和更高效的解决办法上仍然留有很大的发挥空间。在此基础上，我们对遥感图像目标检测技术的发展提出了新的展望。