遥感影像小目标检测研究进展

独特的拍摄视角和多变的成像高度使得遥感影像中包含大量尺寸极其有限的目标，如何准确有效地检测这些小 目标对于构建智能的遥感图像解译系统至关重要。本文聚焦于遥感场景，对基于深度学习的小目标检测进行了全面调研。 首先，本文根据小目标的内在特质梳理了遥感影像小目标检测的三个主要挑战，包括特征表示瓶颈、前背景混淆，以及回 归分支敏感。其次，通过深入调研相关文献，本文全面回顾了基于深度学习的遥感影像小目标检测算法。具体说来，选取 三种代表性的遥感影像小目标检测任务，即光学遥感图像小目标检测、SAR图像小目标检测和红外图像小目标检测，系统 性总结了三个领域内的代表性方法，并根据每种算法所使用的技术思路进行分类阐述。再次，总结了遥感影像小目标检测 常用的公开数据集，包括光学遥感图像、SAR图像及红外图像三种数据类型，借助于三种领域的代表性数据集SODA-A、 AIR-SARShip和NUAA-SIRST，进一步对主流的遥感影像目标检测算法在面对小目标时的性能表现进行横向对比及深入评 估。最后，对遥感影像小目标检测的应用现状进行总结，并展望了遥感场景下小目标检测的发展趋势。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=202212290000001&journal_id=jig

遥感影像目标检测旨在设计相关算法获取遥感 图像中有价值目标的类别和位置信息，是迈向遥感 场景智能理解，构建遥感影像智能解译系统，开展 遥感影像分析业务化应用的重要途径（孙显等， 2022）。遥感图像具有幅面大、场景多样和成像高 度多变等特点，因而包含大量尺寸极其有限的目标。 比如在同一张机场场景光学遥感图像中，飞机和车 辆往往同时出现，而由于尺寸层面的天然差异，车 辆目标往往仅占据几十个像素（Cheng 等，2022）； 合成孔径雷达（Synthetic Aperture Radar，SAR）的 目标成像与目标的散射特性有关，散射特性的强弱 影响目标的成像质量，例如飞机目标的机翼散射特 性弱，机身散射特征强，机翼区域的成像较为模糊， 这使得目标在 SAR 图像中相对偏小。此外特殊的成 像机理使得目标容易受到杂波等噪声的干扰，导致 目标边缘模糊，使得本身尺寸就较小的车辆、船舶 等观测目标成像区域更加受限（徐丰等，2020）； 红外探测系统中，目标与探测器之间距离较远，因而成像目标面积很小，往往呈现点特征（李俊宏等， 2020）。这些尺寸有限的目标为遥感影像智能感知 系统带来了巨大挑战，也在一定程度上制约着遥感 大数据在国防体系建设、灾害预警评估和农林资源 监测等领域的实际应用。 与通用目标检测的蓬勃发展相比，小目标检测近 年来发展缓慢，遥感图像领域亦是如此。作为通用 目标检测的一个子任务，现有的小目标检测框架往 往以通用目标检测任务中表现出色的模型为基础， 添加针对性的设计（Cheng 等，2022）。这些基础 模型一般由特征提取网络和检测网络构成，前者通 过深度卷积神经网络（Deep Convolution Neural Networks，DCNNs）获得图像的高维表征，并利用 下采样操作减少空间冗余；后者则在前者得到的深 度特征上完成分类和回归（Liu 等，2020；Ren 等， 2017；Lin 等，2020；Tian 等，2020）。遗憾的是， 这些深度学习加持下的优秀检测范式在面对小目标 时，其性能往往捉襟见肘。究其原因，一方面是小 目标的内在特性导致模型很难获得目标区域的良好 特征表示。CNN 通过堆叠卷积层和池化层获得图像 的高维表征——前者通过共享参数的卷积核获得区 域表示，而遥感图像中的小目标往往背景复杂，经 过卷积层后，目标区域的特征容易被背景或其他实 例所干扰，丢失判别信息；后者旨在减少空间冗余 并滤除噪声响应，然而这一操作却为小目标带来不 可逆的信息损失（Noh 等，2015）。无论是缺乏判 别性的特征表示，还是目标区域的信息损失，都会 加剧后续分类和回归的任务难度。另一方面，深度 学习是数据驱动的，获得性能优异的检测模型需要 大量注释良好的数据用于训练。然而，小目标往往 边缘模糊且视觉结构强依赖于图像质量，很难准确 获得其轮廓信息，因而标注误差较大，在一定程度上误导网络训练。此外，现有数据集往往包含各种 尺度的目标，小目标仅占其中一小部分，导致模型 为兼顾整体精度而牺牲小目标的检测效果。 为了更好地促进领域发展，本文选取三种代表性 的遥感影像小目标检测任务，即光学遥感图像小目 标检测、SAR 图像小目标检测和红外图像小目标检 测，以算法和数据集为研究对象，全面回顾了基于 深度学习的遥感影像目标检测。同时，本文也对应 用现状和发展趋势进行了总结。