随着遥感技术的发展,遥感影像的目标检测已越来越广泛地应用于海上交通、城市建设、军事监测等领域,是目前目标检测领域的一个研究前沿和热点。近年来,深度学习模型由于其良好的特征提取和表达能力,在自然图像的目标检测算法中占据了主导地位,取得了非常好的检测效果。然而遥感影像中的目标同自然图像具有很大差异,存在尺寸差异大、目标出现密集、尺度小、多朝向等问题,常见针对自然图像的目标检测算法不适合直接检测遥感目标。本文主要的研究内容是在深度学习背景下,提升目标检测算法对遥感目标的检测性能,并对检测结果进行高速显示。论文主要工作及贡献如下:(1)收集并手工标定万幅规模的遥感影像目标检测数据集。基于深度学习的目标检测算法需要大量已标定数据用于算法的学习,在遥感影像的目标检测领域,已标定数据较少,不足以支撑深度学习算法的训练。本文的主要工作之一是收集了大量的遥感影像,并标定图像中的遥感目标,最终构建了包含7个不同类别,11,078幅图像,54,312个待检测目标的遥感影像数据集。(2)确定适合遥感影像目标检测算法的骨干网络。随着CNN(Convolutional Neural Network)架构的持续发展与改进,深度学习算法的特征表达能力不断增强。本文针对遥感目标的特点,通过理论分析及实验证明,选取能够在骨干网络中融合上下文特征、特征提取效率较高的Res Net34作为遥感目标检测算法的骨干网络。(3)提出更高效的上下文语义特征融合方式。遥感目标中小目标比例较多,对特征组合的要求更高。本文结合FPN(Feature Pyramid Networks)对SSD(Single Shot multibox Detector)算法进行改进,使用反卷积增大特征图的尺度,并且增加不同尺度间卷积层的个数,提升大尺度下特征图的特征表达能力,进而提高算法对遥感小目标的检测能力。与此同时,对不同尺度的特征图密集连接,进一步提升特征的表达能力和算法对目标的定位能力。(4)使用Focal Loss平衡训练时正负样本的数量,利用k-means聚类算法获得适合遥感目标检测的先验框大小。SSD解决训练正负样本数量差异过大的问题时忽略了易分类样本的训练损失,使用Focal Loss可以让所有的样本参与训练,提高算法的学习能力。同时为减少先验框的使用,使用k-means算法对所有训练样本进行聚类,生成更适合检测遥感目标的先验框。(5)设计并实现遥感影像的高速显示系统。使用Open GL和多线程技术,充分利用GPU的渲染能力和CPU的多核处理能力,实现对遥感影像的高速显示。