Please wait a minute...
Remote Sensing Technology and Application
img

Wechat

Online submission Peer review Editor login
Remote Sensing Technology and Application  2022, Vol. 37 Issue (2): 290-305    DOI: 10.11873/j.issn.1004-0323.2022.2.0290
    
Progress of Object Detection in Remote Sensing Images based on Deep Learning
Han Fu1,2(),Xiangtao Fan1,Zhenzhen Yan1(),Xiaoping Du1
1.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China
2.University of Chinese Academy of Sciences，Beijing 100094，China
Download:  HTML  PDF (1905KB) 
Export:  BibTeX | EndNote (RIS)      
Abstract  

Object detection has always been a hot topic in the field of remote sensing images information extraction， and has a wide range of application prospect in many fields. The development of deep learning in the field of computer vision provides a strong technical support for the extraction of massive remote sensing images， and greatly improves the accuracy and efficiency of object detection in remote sensing images. However， objects in remote sensing images have the characteristics of multiple scales， multiple rotation angles and complex scenes， deep learning technique still faces great difficulties in the application of remote sensing images object detection with limited high-quality labeled samples. According to five aspects of scale invariance， rotation invariance， complex background interference， limited training samples and detection of multi-band data， the existing algorithms of object detection based on deep learning in the field of remote sensing images in recent years are introduced and summarized. In addition， the difficulties and methods of detecting typical objects in remote sensing images are analyzed and summarized， and the common datasets of remote sensing images object detection including optical images and SAR images are also given general introduction. Finally， the future trends of object detection in remote sensing images are analyzed.
Key words:  Remote sensing images      Object detection      Deep learning      Convolutional Neural Network     
Received:  10 November 2020      Published:  17 June 2022
ZTFLH:  TP75  
Corresponding Authors:  Zhenzhen Yan     E-mail:  fuhan@radi.ac.cn;yanzz@radi.ac.cn
Service
E-mail this article
Add to my bookshelf
Add to citation manager
E-mail Alert
RSS
Articles by authors
Han Fu
Xiangtao Fan
Zhenzhen Yan
Xiaoping Du

Cite this article: 

Han Fu,Xiangtao Fan,Zhenzhen Yan,Xiaoping Du. Progress of Object Detection in Remote Sensing Images based on Deep Learning. Remote Sensing Technology and Application, 2022, 37(2): 290-305.

URL: 

http://www.rsta.ac.cn/EN/10.11873/j.issn.1004-0323.2022.2.0290     OR     http://www.rsta.ac.cn/EN/Y2022/V37/I2/290

Fig.1  Bottom-up feature fusion
Fig2  Top-down feature fusion
文献方法特点
Zhu等[20]，2019自下而上融合受文献[27]启发，提取不同卷积层（conv3,conv4,conv5）候选区域对应的特征向量，经过兴趣特征池化层（ROI Pooling）、L2归一化，以促进多尺度特征融合
Dong等[19]，2020自下而上融合将进行膨胀扩张的卷积神经网络分支（conv4）和顶层卷积层的反卷积输出（conv5）融合，以有效利用高层语义信息
Yang等[21]，2018自上而下融合在ResNet网络基础上构建了5层特征金字塔
Zhu等[22]，2019自上而下融合在密集网络DenseNet上构建了3层特征金字塔网络以获取小目标特征
Zhuang等[23]，2019自上而下融合在Darknet-53网络基础上构建了3层特征金字塔
Zhang等[24]，2019自上而下融合构建了一种多尺度区域建议网络和多尺度目标检测网络，同时，提出了多尺度训练策略（使用基于斑块的多尺度训练数据以及使用多尺寸的图像进行训练）并进行消融实验
Qiu等[25]，2019自上而下融合在特征金字塔基础上加入一个门融合（gate fusion）模块，使得模型可以选择性地融合CNN不同尺度特征
Cheng等[26]，2020自上而下以及跨尺度融合在构建FPN的基础上，提出了一种跨尺度特征融合策略，对每个特征尺度进行特征融合和特征增强
Table 1  The object detection methods of scale invariance
Fig.3  The bounding boxes with rotation angle
Fig.4  Adaptive rotated ROI
文献方法特点
Cheng等[29]，2016旋转不变特征层在AlexNet网络中加入一个旋转不变层，通过正则化约束项优化目标函数，使旋转前后的训练样本具有相似特征，从而实现旋转不变性
Cheng等[30]，2019旋转不变特征层和Fisher判别层在通用的目标检测模型基础上，加入旋转不变正则化和Fisher判别正则化以解决目标旋转、类内多样性和类间相似度等问题
Tang等[31]，2017导向矩形框对包围框的偏移量加入一个角度参数，得到，通过默认包围框以及偏移量得到具有方向的矩形框
Zhang等[32]，2018导向矩形框在包围框参数中加入角度参数来预设锚点，得到五元组，并采用R2oI池化层进行最大池化操作
Yang等[21]，2018导向矩形框构建任意旋转矩形，并提出自适应的ROI Align结构自动过滤因旋转框造成的ROI噪声
Dong等[33]，2020导向矩形框构建任意旋转矩形，并设计旋转的ROI pooling进行最大池化
Yu等[34]，2020导向矩形框构建旋转矩形，设计导向锚点子网络，并构建旋转ROI pooling进行最大池化
Table 2  The object detection methods of rotation invariance
Fig.5  Context information extraction
文献方法特点
Li等[37]，2018提取局部上下文特征构建了一种基于混合限制玻尔兹曼机的双通道框架，融合了局部和上下文特征（分别提取原始建议框1倍和1.5倍特征）
Ren等[38]，2018提取上下文信息将提取的上下文区域和RPN产生的建议区域分别经过ROI pooling层，之后连接两部分向量用于预测
Zhang等[40]，2019提取全局上下文信息及构建注意力模块设计了一种全局上下文敏感网络，GCNet，来学习全局场景语义；提出了空间感知模块，以关注图像上信息更丰富的区域
Gong等[39]，2020提取局部上下文信息对每个ROI挖掘一个自适应的上下文ROI提取上下文特征（定义3倍ROI区域为有效的上下文区域）
Chen等[41]，2018注意力模块提出了一种两层注意力机制模块，结合了局部和全局信息
Pang等[43]，2019注意力模块基于特征金字塔池化构建了一种全局注意力模块
李红艳等[44]，2019注意力模块使用结合空间和通道的注意力机制模块CBAM
Table 3  The object detection methods of complex information
文献方法特点
Zhou等[45]，2016；Zhong等[46]，2018；Dong等[47]，2019迁移学习将在大规模自然图像数据集上的训练模型用于遥感图像目标检测，并进行训练微调
Zhu等[18]，2020数据增广用生成对抗网络GAN产生新的数据集来训练模型
Han等[48]，2015弱监督学习提出了一种基于贝叶斯原理的弱监督学习框架，对弱标注的样本进行训练，通过迭代更新正样本集标签
Zhang等[49]，2015弱监督学习通过基于显著性自适应分割和负挖掘得到初始训练样本，然后通过迭代训练逐步细化训练样本
Zhou等[45]，2016弱监督学习提出了一种负样本自举的弱监督目标检测框架，基于显著性的自适应分割方法收集初始正样本，通过生成最可能的正样本和视觉上与正样本最相关的负样本来初始化训练样本，然后使用这些样本迭代训练检测器
Zhang等[50]，2016弱监督学习首先初始化训练样本，其次通过挖掘的负样本、标记样本以及辅助数据进行迭代训练，更新训练样本
Table 4  The object detection methods of limited samples
文献方法特点
Li等[51]，2017CNN从训练样本中选择像素对来训练CNN，用训练好的CNN衡量测试像素和周围环境的相似度，并对这些相似度值进行平均作为最终测试输出
Cheng等[52]，2018CNN使用CNN来提取高光谱图像深层特征，同时提出了一种基于度量学习的框架来学习判别频谱空间特征，最终在SVM中嵌入一个度量学习正则化项以实现高光谱图像分类
Zhou等[16]，2019堆叠自动编码器提出了一个高光谱图像分类框架CDSAE，利用局部Fisher判别正则化和多样性正则化来训练模型
Xie等[17]，2020光谱正则化无监督网络基于AE和VAE构建了光谱正则化无监督网络，证明了其在目标检测上表现更好
Table 5  The object detection methods of hyperspectral images
文献方法特点
Ding等[53]，2016CNN结合卷积神经网络和三种数据增广方法，实现对SAR图像目标自动识别
Liu等[54]，2017CNN提出了基于海陆分割的CNN框架，结合CNN、显著性计算和角点特性实现SAR图像船舶检测
Wang等[55]，2018SSD结合迁移学习和SSD模型提高SAR图像检测精度，降低误报率
Zhao等[56]，2018耦合CNN以耦合CNN作为特征提取网络，提出了基于脉冲余弦变换的视觉注意力方法，从频域角度进行船舶识别
Fan等[57]，2019分割模型基于全卷积网络提出了一种针对极化SAR图像的船舶分割模型，有效减少海杂波和SAR图像模糊影响
Lin等[58]，2019注意力机制结合SENet和FasterR-CNN减少船舶误检、漏检情况
Chang等[59]，2019YOLOv2基于YOLOv2提出了一种层数更少的新框架，更好地减少计算量和模型检测时间
Wei等[60]，2020高分辨率金字塔网络提出了一种高分辨率特征金字塔模型用于提取SAR图像中高层和低层特征，并采用缓和非极大抑制方法（Soft-NMS）提高密集船舶目标检测性能
Chen等[61]，2020双注意力机制提出了一种多尺度双注意目标检测网络用于机场提取
Table 6  The object detection methods of SAR images
Fig.6  Distribution of accuracy for each category
数据集名称类 别图像总数实例个数包围框年份
NWPU VHR-10108003 775垂直包围框2014
UCAS-AOD22 42014 596垂直包围框2015
RSOD49766 950垂直包围框2015
HRSC201611 0612 976旋转包围框2016
LEVIR322 00011 000垂直包围框2018
DOTA152 806188 282旋转包围框2018
DIOR2023 463192 472垂直包围框2020
SSDD11 1602 456垂直包围框2017
SAR-Ship-Dataset143 81943 819垂直包围框2019
HRSID15 60416 951垂直包围框2020
Table 7  Public available object detection datasets of remote sensing images
1 Zhang Bing. Remotely sensed Big Data Era and intelligent information extraction［J］. Geomatics and Information Science of Wuhan University， 2018， 43（12）： 1861-1871.
1 张兵 ．遥感大数据时代与智能信息提取［J］．武汉大学学报（信息科学版），2018， 43（12）： 1861-1871.
2 Cheng G， Han J. A survey on object detection in optical remote sensing images［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2016，117：11-28. DOI： .
doi: 10.1016/j.isprs-jprs.2016.03.014
3 Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic Segmentatio［C］∥2014 IEEE Conference on Computer Vision and Pattern Recognition. DOI： .
doi: 10.1109/CVPR.2014.81
4 Girshick R. Fast R-CNN［C］∥Proceedings of 2015 IEEE In⁃ ternational Conference on Computer Vision. Santiago：IEEE，2015：1440-1448. DOI： .
doi: 10.1109/ICCV.2015.169
5 Dai J， Li Y， He K， et al. R-FCN： Object detection via region-based fully convolutional networks［J/OL］.［2020-12-27］. .
6 Liu W， Anguelov D， Erhan D，et al. SSD：single shot multibox detector［M］. Computer Vision-ECCV 2016.Springer International Publishing，2016：21-37. DOI： .
doi: 10.1007/978-3-319-46448-0_2
7 Redmon J， Divvala S， Girshick R，et al. You only look once：unified，real-time object detection［C］∥IEEE Con ference on Computer Vision and Pattern Recognition. IEEE Computer Society，2016：779-788. DOI： .
doi: 10.1109/CVPR.2016.91
8 Fu C Y， Liu W， Ranga A， et al. DSSD： deconvolutional single shot detector［J/OL］.［2021-04-24］. .
9 Lin T Y， Dollár P， Girshick R， et al. Feature pyramid networks for object detection［J/OL］.［2020-12-27］. .
10 Redmon J， Farhadi A. YOLO9000： Better， Faster， Stronger［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2017： 6517-6525.
11 Ren S， He K， Girshick R， et al. Faster R-CNN： Towards feal-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149. DOI： .
doi: 10.1109/TPAMI.2016.2577031
12 Lin T Y， Goyal P， Girshick R， et al. Focal loss for dense object detection［J/OL］.［2020-12-27］. .
13 Redmon J， Farhadi A.YOLOv3： An incremental improvement［J/OL］.［2020-12-27］..
14 Li K， Wan G， Cheng G， et al. Object detection in optical remote sensing images： A survey and a new benchmark［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 159： 296-307. DOI： .
doi: 10.1016/j.isprsjprs.2019.11.023
15 Ma W， Guo Q， Wu Y， et al. A novel multi-model decision fusion network for object detection in remote sensing images［J］. Remote Sensing， 2019， 11（7）： 737. DOI： .
doi: 10.3390/rs11070737
16 Zhou P， Han J， Cheng G， et al. Learning compact and discriminative stacked autoencoder for hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing，2019，57（7）：4823-4833. DOI： .
doi: 10.1109/TGRS. 2019.2893180
17 Xie W， Yang J， Lei J， et al. SRUN： spectral regularized unsupervised networks for hyperspectral target detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020，58（2）：1463-1474. DOI： .
doi: 10.1109/TGRS.2019.2947033
18 Zhu D， Xia S， Zhao J， et al. Diverse sample generation with multi-branch conditional generative adversarial network for remote sensing objects detection［J］. Neurocomputing， 2020， 381： 40-51. DOI： .
doi: 10.1016/j.neucom.2019.10.065
19 Dong Z， Lin B. BMF-CNN： An object detection method based on multi-scale feature fusion in VHR remote sensing images［J］.Remote Sensing Letters，2020，11（3）：215-224. DOI： .
doi: 10.1080/2150704X.2019.1706007
20 Zhu M， Xu Y， Ma S， et al. Effective airplane detection in remote sensing images based on multilayer feature fusion and improved nonmaximal suppression algorithm［J］. Remote Sensing， 2019， 11（9）： 1062. DOI： .
doi: 10.3390/rs11091062
21 Yang X， Sun H， Sun X， et al. Position detection and direction prediction for arbitrary-oriented ships via multitask rotation region convolutional neural network［J］. IEEE Access， 2018，6：50839-50849. DOI： .
doi: 10.1109/ACCESS.2018. 2869884
22 Zhu H， Zhang P， Wang L， et al. A Multiscale object detection approach for remote sensing images based on MSE-DenseNet and the dynamic anchor assignment［J］. Remote Sensing Letters，2019，10（10）：959-967. DOI： .
doi: 10.1080/2150704X.2019.1633486
23 Zhuang S， Wang P， Jiang B， et al. A single shot framework with multi-scale feature fusion for geospatial object detection［J］. Remote Sensing， 2019， 11（5）： 594. DOI： .
doi: 10.3390/rs11050594
24 Zhang X， Zhu K， Chen G， et al. Geospatial object detection on high resolution remote sensing imagery based on double multi-scale feature Pyramid network［J］. Remote Sensing， 2019， 11（7）： 755. DOI： .
doi: 10.3390/rs11070755
25 Qiu H， Li H， Wu Q， et al. A2RMNet： Adaptively aspect ratio multi-scale network for object detection in remote sensing images［J］.Remote Sensing，2019，11（13）：1594. DOI： .
doi: 10.3390/ rs11131594
26 Cheng G， Si Y， Hong H， et al. Cross-scale feature fusion for object detection in optical remote sensing images［J］. IEEE Geoscience and Remote Sensing Letters［J］. IEEE Geoscience and Remote Sensing Letters， 2020： 1-5. DOI： .
doi: 10.1109/LGRS.2020.2975541
27 Liu W， Rabinovich A， Berg A C. ParseNet： Looking wider to see better［J/OL］. ［2020-12-27］. .
28 Zhang S， He G， Chen H B， et al. Scale adaptive proposal network for object detection in remote sensing images［J］. IEEE Geoscience and Remote Sensing Letters， 2019， 16（6）： 864-868. DOI： .
doi: 10.1109/LGRS.2018.2888887
29 Cheng G， Zhou P， Han J. Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（12）： 7405-7415. DOI： .
doi: 10.1109/TGRS.2016.2601622
30 Cheng G， Han J， Zhou P， et al. Learning rotation-invariant and fisher discriminative convolutional neural networks for object detection［J］. IEEE Transactions on Image Processing， 2019， 28（1）： 265-278. DOI： .
doi: 10.1109/TIP.2018.2867198
31 Tang T， Zhou S， Deng Z， et al. Arbitrary-oriented vehicle detection in aerial imagery with single convolutional neural networks［J］. Remote Sensing，2017，9（11）：1170. DOI： .
doi: 10.3390/rs9111170
32 Zhang Z， Guo W， Zhu S， et al. Toward arbitrary-oriented ship detection with rotated region proposal and discrimination networks［J］. IEEE Geoscience and Remote Sensing Letters， 2018，15（11）：1745-1749. DOI： .
doi: 10.1109/LGRS. 2018. 2856921
33 Dong Z， Lin B. Learning a robust CNN-based rotation insensitive model for ship detection in VHR remote sensing images［J］. International Journal of Remote Sensing， 2020， 41（9）： 3614-3626. DOI： .
doi: 10.1080/01431161.2019.1706781
34 Yu Y， Guan H， Li D， et al. Orientation guided anchoring for geospatial object detection from remote sensing imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 160： 67-82. DOI： .
doi: 10.1016/j.isprsjprs.2019.12.001
35 Mottaghi R， Chen X， Liu X， et al. The role of context for object detection and semantic segmentation in the wild［J］. Computer Vision and Pattern Recognition， 2014： 891-898. DOI： .
doi: 10.1109/CVPR.2014.119
36 Szegedy C， Liu W， Jia T Q， et al. Going deeper with convolutions［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2015： 1-9. DOI： .
doi: 10.1109/CVPR.2015.7298594
37 Li K， Cheng G， Bu S， et al. Rotation-insensitive and context-augmented object detection in remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2018，56（4）：2337-2348. DOI： .
doi: 10.1109/TGRS. 2017. 2778300
38 Ren Y， Zhu C， Xiao S. Small object detection in optical remote sensing images via modified faster R-CNN［J］. Applied Sciences， 2018， 8（5）： 813. DOI： .
doi: 10.3390/app8050813
39 Gong Y， Xiao Z， Tan X， et al. Context-aware donvolutional neural network for object detection in VHR remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing，2020，58（1）：34-44. DOI： .
doi: 10.1109/TGRS. 2019. 2930246
40 Zhang G， Lu S， Zhang W. CAD-Net： A context-aware detection network for objects in remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019，57（12）：10015-10024. DOI： .
doi: 10.1109/TGRS. 2019. 2930982
41 Chen S， Zhan R， Zhang J. Geospatial object detection in remote sensing imagery based on multiscale single-shot detector with activated semantics［J］. Remote Sensing， 2018， 10（6）： 820. DOI： .
doi: 10.3390/rs10060820
42 Hu J， Shen L， Sun G. Squeeze-and-excitation networks［C］∥IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT， USA： IEEE， 2018： 7132-7141. DOI： .
doi: 10.1109/CVPR.2018.00745
43 Pang J， Li C， Shi J， et al. R2CNN： Fast tiny object detection in large-scale remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（8）： 5512-5524. DOI： .
doi: 10.1109/TGRS.2019.2899955
44 Li H Y， Li C G， An J B， et al. Attention mechanism improves cnn remote sensing image object detection［J］. Journal of Image and Graphics， 2019， 24（8）： 1400-1408.
44 李红艳，李春庚，安居白，等. 注意力机制改进卷积神经网络的遥感图像目标检测［J］. 中国图像图形学报， 2019，24（8）： 1400-1408.
45 Zhou P， Cheng G， Liu Z， et al. Weakly supervised target detection in remote sensing images based on transferred deep features and negative bootstrapping［J］. Multidimensional Systems and Signal Processing， 2016， 27（4）： 925-944. DOI： .
doi: 10.1007/s11045-015-0370-3
46 Zhong Y， Han X， Zhang L. Multi-class geospatial object detection based on a position-sensitive balancing framework for high spatial resolution remote sensing imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 138： 281-294. DOI： .
doi: 10.1016/j.isprsjprs.2018.02.014
47 Dong R， Xu D， Zhao J， et al. Sig-NMS-based faster R-CNN combining transfer learning for small target detection in VHR optical remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（11）： 8534-8545. DOI： .
doi: 10.1109/TGRS.2019.2921396
48 Han J， Zhang D， Cheng G， et al. Object detection in optical remote sensing images based on weakly supervised learning and high-level feature learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2015， 53（6）： 3325-3337. DOI： .
doi: 10.1109/TGRS.2014.2374218
49 Zhou P， Zhang D， Cheng G， et al. Weakly supervised learning for target detection in remote sensing images［C］∥Proceedings - 2015 IEEE International Conference on Multimedia Big Data， BigMM 2015. IEEE， 2015： 318-323. DOI： .
doi: 10.1109/BigMM.2015.13
50 Zhang F， Du B， Zhang L， et al. Weakly supervised learning based on coupled convolutional neural networks for aircraft detection［J］. IEEE Transactions on Geoscience and Remote Sensing，2016，54（9）：5553-5563. DOI： .
doi: 10.1109/TGRS. 2016. 2569141
51 Li W， Wu G， Du Q. Transferred deep learning for anomaly detection in hyperspectral imagery［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（5）： 597-601. DOI： .
doi: 10.1109/LGRS.2017.2657818
52 Cheng G， Li Z， Han J， et al. Exploring hierarchical convolutional features for hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（11）： 6712-6722. DOI： .
doi: 10.1109/TGRS.2018.2841823
53 Ding J， Chen B， Liu H， et al. Convolutional neural network with data augmentation for SAR target recognition［J］. IEEE Geoscience and Remote Sensing Letters， 2016， 13（3）： 364-368. DOI： .
doi: 10.1109/LGRS.2015.2513754
54 Liu Y， Zhang M， Xu P， et al. SAR Ship Detection using sea-land segmentation-based donvolutional neural network［C］∥2017 International Workshop on Remote Sensing with Intelligent Processing （RSIP）. IEEE， 2017： 1-4. DOI： .
doi: 10.1109/RSIP.2017.7958806
55 Wang Y， Wang C， Zhang H. Combining a single shot multibox detector with transfer learning for ship detection using sentinel-1 SAR images［J］. Remote Sensing Letters， 2018， 9（8）： 780-788. DOI： .
doi: 10.1080/2150704X.2018.1475770
56 Zhao J， Zhang Z， Yu W， et al. A cascade coupled convolutional neural network guided visual attention method for ship detection from SAR images［J］. IEEE Access， 2018， 6： 50693-50708. DOI： .
doi: 10.1109/ACCESS.2018.2869289
57 Fan Q， Chen F， Cheng M， et al. Ship detection using a fully convolutional network with compact polarimetric SAR images［J］. Remote Sensing， 2019， 11（18）. DOI： .
doi: 10.3390/rs 11182171
58 Lin Z， Ji K， Leng X， et al. Squeeze and excitation rank faster R-CNN for ship detection in SAR images［J］. IEEE Geoscience and Remote Sensing Letters， 2019， 16（5）： 751-755. DOI： .
doi: 10.1109/LGRS.2018.2882551
59 Liu N， Cao Z， Cui Z， et al. Multi-scale proposal generation for ship detection in SAR images［J］. Remote Sensing， 2019， 11（5）. DOI： .
doi: 10.3390/rs11050526
60 Wei S， Su H， Ming J， et al. Precise and robust ship detection for high-resolution SAR imagery rased on HR-SDNet［J］.Remote Sensing，2020，12（1）：167. DOI： .
doi: 10.3390/rs12010167
61 Chen L， Tan S， Pan Z， et al. A New framework for automatic airports extraction from SAR images using multi-level dual attention mechanism［J］. Remote Sensing， 2020， 12（3）. DOI： .
doi: 10.3390/rs12030560
62 Yang J， Zhu Y， Jiang B， et al. Aircraft detection in remote sensing images based on a deep residual network and super-vector coding［J］. Remote Sensing Letters， 2018， 9（3）： 229-237. DOI： .
doi: 10.1080/2150704X.2017.1415474
63 Wu X， Hong D， Tian J， et al. ORSIm detector： A novel object detection framework in optical remote sensing imagery using spatial-frequency channel features［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（7）： 5146-5158. DOI： .
doi: 10.1109/TGRS.2019.2897139
64 Chen Z， Zhang T， Ouyang C. End-to-End airplane detection using transfer learning in remote sensing images［J］. Remote Sensing， 2018， 10（1）： 139. DOI： .
doi: 10.3390/rs10010139
65 Lin Na， Feng Lirong， Zhang Xiaoqing. Aircraft detection in remote sensing image based on optimized Faster-RCNN［J］. Remote Sensing Technology and Application，2021，36（2）： 275-284.林娜， 冯丽蓉， 张小青. 基于优化Faster-RCNN的遥感影像飞机检测. 遥感技术与应用［J］， 2021， 36（2）： 275-284.
66 Yang Y， Zhuang Y， Bi F， et al. M-FCN： Effective fully convolutional network-based airplane detection framework［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（8）： 1293-1297. DOI： .
doi: 10.1109/LGRS.2017.2708722
67 Lin H， Shi Z， Zou Z.Fully convolutional network with task partitioning for inshore ship detection in optical remote sensing Ima-ges［J］. IEEE Geoscience and Remote Sensing Letters， 2017，14（10）：1665-1669. DOI： .
doi: 10.1109/LGRS. 2017. 2727515
68 Kang M， Lin Z， Leng X G， et al. A modified faster R-CNN based on CFAR algorithm for SAR ship detection［C］∥2017 International Workshop on Remote Sensing with Intelligent Processing （RSIP）.IEEE，2017：1-4. DOI： .
doi: 10.1109/RSIP. 2017.7958815
69 Chen P， Li Y， Zhou H， et al. Detection of small ship objects using anchor boxes cluster and feature pyramid network model for SAR imagery［J］. Journal of Marine Science and Engineering， 2020， 8（2）. DOI： .
doi: 10.3390/jmse8020112
70 Li Q， Mou L， Liu Q， et al. HSF-Net： Multiscale deep feature embedding for ship detection in optical remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing，2018，56（12）：7147-7161. DOI： .
doi: 10.1109/TGRS. 2018. 2848901
71 Liu Z， Wang H， Weng L， et al. Ship rotated bounding box space for ship extraction from high-resolution optical satellite images with complex backgrounds［J］. IEEE Geoscience and Remote Sensing Letters， 2016， 13（8）： 1074-1078. DOI： .
doi: 10.1109/LGRS.2016.2565705
72 Yang X， Sun H， Fu K， et al. Automatic ship detection in remote sensing images from Google Earth of complex scenes based on multiscale rotation dense feature Pyramid networks［J］. Remote Sensing， 2018， 10（1）： 1-14. DOI： .
doi: 10.3390/rs10010132
73 Deng Z， Sun H， Zhou S， et al. Toward fast and accurate vehicle detection in aerial images using coupled region-based convolutional neural networks［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2017， 10（8）： 3652-3664. DOI： .
doi: 10.1109/JSTARS.2017.2694890
74 Yang C， Li W， Lin Z. Vehicle object detection in remote sensing imagery based on multi-perspective convolutional neural network［J］. ISPRS International Journal of Geo-Information， 2018， 7（7）： 249. DOI： .
doi: 10.3390/ijgi7070249
75 Mandal M， Shah M， Meena P， et al. AVDNet： A small-sized vehicle detection network for aerial visual data［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（3）： 494-498. DOI： .
doi: 10.1109/LGRS.2019.2923564
76 Yu Y， Gu T， Guan H， et al. Vehicle detection from high-resolution remote sensing imagery using convolutional capsule networks［J］. IEEE Geoscience and Remote Sensing Letters， 2019，16（12）：1894-1898. DOI： .
doi: 10.1109/LGRS. 2019. 2912582
77 Cai B， Jiang Z， Zhang H， et al. Airport detection using end-to-end convolutional neural network with hard example mining［J］. Remote Sensing， 2017， 9（11）： 1-20. DOI： .
doi: 10.3390/rs9111198
78 Xiao Z， Gong Y， Long Y， et al. Airport detection based on a multiscale fusion feature for optical remote sensing images［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（9）： 1469-1473. DOI： .
doi: 10.1109/LGRS.2017.2712638
79 Xu Y， Zhu M， Li S， et al. End-to-end airport detection in remote sensing images combining cascade region proposal networks and multi-threshold detection networks［J］. Remote Sensing， 2018， 10（10）： 1-17. DOI： .
doi: 10.3390/rs10101516
80 Li S， Xu Y， Zhu M， et al. Remote sensing airport detection based on end-to-end deep transferable convolutional neural networks［J］. IEEE Geoscience and Remote Sensing Letters， 2019： 1-5. DOI： .
doi: 10.1109/LGRS.2019.2904076
81 Zeng F， Cheng L， Li N， et al. A hierarchical airport detection method using spatial analysis and deep learning［J］. Remote Sensing， 2019， 11（19）： 2204. DOI： .
doi: 10.3390/rs11192204
82 Li Z， Zhu R， Ma J， et al. Airport detection method combined with continuous learning of residual-based network on remote sensing image［J］. Acta Optica Sinica， 2020， 40（16）： 179-191.
82 李竺强， 朱瑞飞， 马经宇， 等. 联合连续学习下的残差网络遥感影像机场目标检测 方法［J］. 光学学报， 2020， 40（16）： 179-191.
83 Hui J， Du M， Ye X， et al. Effective building extraction from high-resolution remote sensing images with multitask driven deep neural network［J］. IEEE Geoscience and Remote Sensing Letters，2019，16（5）：786-790. DOI： .
doi: 10.1109/LGRS. 2018.2880986
84 Ma H， Liu Y， Ren Y， et al. Detection of collapsed buildings in post-earthquake remote sensing images based on the improved YOLOv3［J］. Remote Sensing， 2020， 12（1）： 44. DOI： .
doi: 10.3390/rs12010044
85 Chen S， Wang H， Xu F， et al. Target classification using the deep convolutional networks for SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（8）： 4806-4817. DOI： .
doi: 10.1109/TGRS.2016.2551720
86 Han Y， Wei C， Zhou R， et al. Combining 3D-CNN and squeeze-and-excitation networks for remote sensing sea ice image classification［J］. Mathematical Problems in Engineering， 2020， 2020： 1-15. DOI： .
doi: 10.1155/2020/8065396
87 Nieto-Hidalgo M， Gallego A， Gil P， et al. Two-stage convolutional neural network for ship and spill detection using SLAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（9）： 5217-5230. DOI： .
doi: 10.1109/TGRS.2018.2812619
88 Zeng K， Wang Y. A deep Convolutional Neural Network for oil spill detection from spaceborne SAR images［J］. Remote Sensing， 2020， 12： 1015. DOI： .
doi: 10.3390/rs12061015
89 Hill P R， Kumar A， Temimi M， et al. HABNet： Machine learning， remote sensing-based detection of harmful algal blooms［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 3229-3239. DOI： .
doi: 10.1109/JSTARS.2020.3001445
90 Cheng G， Han J， Zhou P， et al. Multi-class geospatial object detection and geographic image classification based on collection of part detectors［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2014， 98： 119-132. DOI： .
doi: 10.1016/j.isprsjprs.2014.10.002
91 Zhu H， Chen X， Dai W， et al. Orientation robust object detection in aerial images using deep convolutional neural network［C］∥IEEE International Conference on Image Processing.IEEE，2015：3735-3739. DOI： .
doi: 10.1109/ICIP. 2015. 7351502
92 Xiao Z， Liu Q， Tang G， et al. Elliptic fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images［J］. International Journal of Remote Sensing， 2015， 36（2）： 618-644. DOI： .
doi: 10.1080/01431161.2014.999881
93 Liu Z， Yuan L， Weng L， et al. A high resolution optical satellite image dataset for ship recognition and some new baselines［C］∥International Conference on Pattern Recognition Applications & Methods. DOI： .
doi: 10.5220/0006120603240331
94 Zou Z， Shi Z. Random access memories： A new paradigm for target detection in high resolution aerial remote sensing images［J］. IEEE Transactions on Image Processing， 2018， 27（3）： 1100-1111. DOI： .
doi: 10.1109/TIP.2017.2773199
95 Xia G S， Bai X， Ding J， et al. DOTA： A large-scale dataset for object detection in aerial images［J］. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2018： 3974-3983. DOI： .
doi: 10.1109/CVPR.2018.00418
96 Li J， Qu C， Shao J. Ship detection in SAR images based on an improved faster R-CNN［C］∥SAR in Big Data Era： Models，Methods and Applications， BIGSARDATA 2017. IEEE，2017：1-6. DOI： .
doi: 10.1109/BIGSARDATA.2017.8124934
97 Wang Y， Wang C， Zhang H， et al. A SAR dataset of ship detection for deep learning under complex backgrounds［J］. Remote Sensing， 2019， 11（7）. DOI： .
doi: 10.3390/rs11070765
98 Wei S， Zeng X， Qu Q， et al. HRSID： A high-resolution SAR images dataset for ship detection and instance segmentation［J］.IEEE Access，2020，8：120234-120254. DOI： .
doi: 10.1109/ ACCESS.2020.3005861
99 Yin W， Diao W， Wang P， et al. PCAN—part-based context attention network for thermal power plant detection in remote sensing imagery［J］. Remote Sensing， 2021， 13（7）： 1243. DOI： .
doi: 10.3390/rs13071243
100 Sun X， Wang P， Wang C， et al. PBNet： Part-based convolutional neural network for complex composite object detection in remote sensing imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2021，173：50-65. DOI： .
doi: 10.1016/j.isprsjprs.2020.12.015
101 Fu H， Fan X， Yan Z， et al. Detection of schools in remote sensing images based on attention-guided dense network［J］. ISPRS International Journal of Geo-Information， 2021， 10（11）： 736［2021-11-01］. DOI： .
doi: 10.3390/ijgi10110736
102 Ghiasi G， Lin T， Le Q V. NAS-FPN： Learning scalable feature Pyramid architecture for object detection［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. DOI： .
doi: 10.1109/CVPR.2019.00720
[1] ZHANG Minghua. The Way of Image Recognizing and Interpreting with Remote Sensing for Geological Disasters of Highway Engineering[J]. Remote Sensing Technology and Application, 2005, 20(2): 233 -237 .
[2] SONG Xiao-yu, WANG Ji-hua, LIU Liang-yun,Huang Wen-jiang, ZHAO Chun-jiang. Atmospheric Correction of Hyper-spectral Imagery:Evaluation ofthe FLAASH Algorithm with AVRIS Data[J]. Remote Sensing Technology and Application, 2005, 20(4): 393 -398 .
[3] FENG Rui, ZHANG Yu-shu, ZHANG Shu-jie, CHEN Peng-shi. Water Resources GIS Based on Remote Sensing Survey[J]. Remote Sensing Technology and Application, 2002, 17(3): 172 -176 .
[4] RAN You-hua, LI Wen-jun, CHEN Xian-zhang. Verification and Assessment of Land Use Classification by Using TM Image—Taking Dingxi County as an Example[J]. Remote Sensing Technology and Application, 2003, 18(2): 81 -86 .
[5] Rui YANG Su Yang. U-Net neural networks and its application in high resolution satellite image classification[J]. Remote Sensing Technology and Application, 0, (): 0 .
[6] 乔彦肖， 张少才. The Preliminary Study on the Super scale Rockslide in the Western Mountains of Shijiazhuang Using the Landsat 5 TM Image[J]. Remote Sensing Technology and Application, 1999, 14(2): 44 -48 .
[7] YAN Shou-xun, ZHANG Bing, ZHAO Yong-chao,ZHENG Lan-fen, TONG Qing-xi. Summarizing the Technical Flow and Main Approaches forDiscrimination and Mapping of Rocks and Minerals Using Hyperspectral Remote Sensing [J]. Remote Sensing Technology and Application, 2004, 19(1): 52 -63 .
[8] CHEN Jian-hui,XU Han-qiu. Modeling of the Suspended Solid Concentration of the Jin River Based on High-Spectral Resolution Data[J]. Remote Sensing Technology and Application, 2008, 23(6): 653 -657 .
[9] LUAN Qing-Zu, LIU Hui-Ping, XIAO Zhi-Qiang. Comparison between Algorithms of Ortho-rectification forRemote Sensing Images[J]. Remote Sensing Technology and Application, 2007, 22(6): 743 -747 .
[10] XIE Ji-Zhen, WANG Hong-Shuo, HUANG Jing-Feng. Crop Phenology Information Extraction Using MODIS Multi-temporal Data[J]. Remote Sensing Technology and Application, 2010, 25(5): 647 -652 .

©2018 Remote Sensing Technology and Application

E-mail：rsta@lzb.ac.cn Tel：(0931)8272180 Fax：(0931)8275743; 8277790