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全面调研.首先,根据小目标的内在特质梳理了遥感影像小目标检测的3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,全面回顾了基于深度学习的遥感影像小目标检测算法.选取3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 3个领域内的代表性方法,并根据每种算法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3种数据类型,借助于3种领域的代表性数据集SODA-A(small object detection datasets)、AIR-SARShip 和 NUAA-SIRST(Nanjing University of Aeronautics and Astronautics,single-frame infrared small target),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.
小目标检测(SOD)、深度学习、光学遥感图像、SAR图像、红外图像、公开数据集
28
TP391(计算技术、计算机技术)
2023-07-27（万方平台首次上网日期，不代表论文的发表时间）
共23页
1662-1684
