吴一全团队：光学遥感图像目标检测的深度学习算法研究进展

遥感学报 · 公众号 · · 2025-03-11 07:00

正文

请到「今天看啥」查看全文

第1155期推文，点击关注不迷路！

遥感学报NRSB

屏幕截图 2025-02-23 163255.png

图1 光学遥感图像中的典型实例

光学遥感图像目标检测技术广泛应用于军事侦察、测绘工程、农林管理、气象预报、资源勘探、灾害预防、环境监控、城市规划、海洋监测等领域。早期的光学遥感图像目标检测技术一般基于传统人工的方式设计并提取特征，最后使用分类器输出目标的类别和坐标，极大消耗硬件和人力资源，且在应对复杂的光学遥感图像时鲁棒性不足。进入到21世纪，深度学习取得突破性发展，深度学习算法不仅能够有效提取图像中的深层语义信息，而且在鲁棒性和应用范围方面都比传统算法更有优势。由于各种类型图像中的目标特征各异，目标检测所面临的挑战也不尽相同。

南京航空航天大学电子信息工程学院 徐丹青、吴一全 在《遥感学报》发表文章 “ 光学遥感图像目标检测的深度学习算法研究进展 ” ，详细综述了基于深度学习的光学遥感图像目标检测算法研究进展。以深度学习为出发点，概述了经典的目标检测框架，并根据光学遥感图像目标的特点，分别针对尺度多样性、方向多样性、形状多样性、小尺寸、特征相似性、背景复杂性、分布密集性、弱特征的光学遥感图像目标检测问题，对各种改进算法进行了系统性的总结。此外，归纳了针对光学遥感图像目标检测的非全监督学习算法，介绍了常用的开源光学遥感图像数据集和目标检测的性能评估指标，指出了现阶段在光学遥感图像目标检测领域仍然面临的主要挑战和下一步的发展方向。

研究创新点

（1）梳理了光学遥感图像目标检测算法经历了从传统方法，包括模板匹配、先验知识和机器学习到基于深度学习算法的发展历程，并且针对深度学习算法，阐明了光学遥感图像目标检测的大体流程，包括数据预处理、特征提取、生成 Bounding Box 和检测及后处理。

屏幕截图 2025-02-23 170919.png

图2 光学遥感图像目标检测算法发展历程

屏幕截图 2025-02-23 171031.png

图3 基于深度学习的光学遥感图像目标检测流程

（2）阐述了经典的深度学习目标检测模型，并针对光学遥感图像中的目标特点，如：尺度多样性、方向多样性、形状多样性、小尺寸、特征相似性、背景复杂性、分布密集性、弱特征，总结了近年来研究人员提出的一系列改进算法。

屏幕截图 2025-02-23 171542.png

图4 经典的深度学习目标检测模型汇总

（3）介绍了常用的光学遥感图像数据集和评价指标并对光学遥感图像目标检测算法进行了性能评估。

（4）现有的光学遥感图像目标检测综述，有的针对特定类别的目标检测算法进行归纳，泛用性不强，有的缺乏对光学遥感目标特点的分类或者缺乏对算法优缺点的对比，有的列举的光学遥感图像数据集也不够完整，有的侧重于传统算法，对深度学习算法的涉及较少。与现有的综述相比，本文对目标特点的归纳较为完整，对各个改进算法和常用数据集的总结比较系统、全面和深入，另外详细地进行了各种算法的性能对比。