光学遥感图像目标检测算法综述

2021 年 3 月 23 日 专知

摘要: 目标检测技术是光学遥感图像理解的基础问题, 具有重要的应用价值. 本文对遥感图像目标检测算法发展进行了梳理和分析. 首先阐述了遥感图像目标检测的特点和挑战; 之后系统总结了典型的检测方法, 包括早期的基于手工设计特征的算法和现阶段基于深度学习的方法, 对于深度学习方法首先介绍了典型的目标检测模型, 进而针对遥感图像本身的难点详细梳理了优化改进方案; 接着介绍了常用的检测数据集, 并对现有方法的性能进行比较; 最后对现阶段问题进行总结并对未来发展趋势进行展望.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200596

光学遥感, 是指传感器工作波段在可见光波段, 即0.38−0.76微米范围的遥感技术, 在此波段下采集的图像即为光学遥感图像. 光学遥感图像包含大量细节信息, 直观反映地物目标的形状、颜色和纹理等, 便于人眼直接观察. 光学遥感图像目标检测是指利用特定的算法从图像中搜索并标记出感兴趣的目标, 例如飞机、坦克、船只、车辆等. 光学遥感目标检测作为一种基础技术手段, 在遥感图像分析中具有重要的作用, 是城市规划、土地利用、交通疏导、军事监测等应用的重要基础. 随着对地观测技术的发展, 获取到的高分辨率遥感图像数据规模越来越大. 高分辨率的遥感图像提供了更高的图像质量和更丰富的细节信息, 为目标检测在遥感领域的发展提供了大的机遇.

较早的光学遥感图像目标检测算法均是基于手工设计特征的方式, 首先提取候选区域, 之后针对待测目标人工设计特征, 最后结合分类器进行分类确定目标类别. 候选区域提取需要设置大量的滑动窗口, 产生大量的冗余计算, 时间复杂度高; 人工设计的特征主要根据目标视觉信息(颜色、纹理、边缘等)进行提取, 可解释性较强, 但是特征表达能力弱、鲁棒性差、适应范围小, 难以应用在复杂多变的环境中. 综上所述, 早期检测算法远不能满足实际应用需求.

随着深度学习的发展, 神经网络提取的深层特征有着更强的语义表征能力和判别性, 目标检测性能获得了进一步的提升. 然而由于遥感图像自身的特点, 现有检测手段尚不能在遥感图像上取得好的表现. 针对遥感图像的特点, 提出了大量改进方案, 有效提升了目标检测在遥感领域的性能.

目前针对光学遥感图像的目标检测已经有一定数量的综述文献发表. Wang[1]主要针对海上特定目标(舰船)检测进行总结梳理; Cheng[2]总结了现阶段遥感图像通用目标检测方法, 以基于手工设计特征的研究为主, 对当前主流的基于深度学习的方法介绍较少; 鉴于此, Liu[3]和Li[4]专门梳理了基于深度学习的光学遥感图像目标检测研究; 除了光学遥感图像, Zhang[5]还重点梳理了基于深度学习的高光谱遥感图像分类方法, 实现了在光谱图像上地物的检测和精准定位.

与现有综述不同, 本文对光学遥感图像中通用目标检测方法进行全面、细致的梳理, 既包括早期基于手工设计特征的方法, 也包括当前深度学习的方法, 同时重点对基于深度学习的方法及其针对遥感图像特点的改进进行更为精细的梳理, 此外还额外评估各个改进方法的性能定量改善, 并根据评估结果指出现存的问题和未来的发展方向.