航拍图像中的目标检测是计算机视觉相关研究中的一个热点领域,虽然已有诸多的研究成果,但只有较少的工作对深度学习目标检测模型应用于航拍目标检测任务上存在的问题进行了分析。通过对比自然图像和航拍图像两类图像的特征可知,目前航拍图像目标检测模型精度提升的瓶颈是航拍图像的目标特征存在显著不一致性导致的,图像中检测目标尺寸具有极大的差异性且部分目标绝对和相对像素面积均过小,这些问题导致了现有的检测模型的准确率和召回率等几项指标均相对较低,深度学习模型在航拍目标检测任务中的性能表现与自然图像的目标检测任务相比更低。研究从课题组项目中遇到的航拍目标检测性能缺陷出发,根据航拍图像数据存在的轮廓特征重要而纹理特征相对模糊的特点,通过改进现有网络结构来减轻上述问题对航拍场景下目标检测模型造成的影响。基于傅里叶变换对图像高频和低频信息分离的良好特性,提出了使用离散余弦变换模块作为深度学习模型中的插件结构的方法,在不改变模型端到端特性的情况下,将网络结构中用于提取低级语义信息的浅层卷积模块进行替换,通过这种方式将航拍图像在频域中编码成一种更利于神经网络学习轮廓特征的形式,在一定程度上降低了网络的深度,从而限制其感受野范围。测试并分析了目前卷积神经网络模型在目标轮廓特征提取上存在的缺陷,为了应对这一缺陷,在中央处理器和图形处理器两种计算单元上分别实现并逐步优化了离散余弦变换模块,模块的计算速度提升了4倍左右。在YOLOv5、Efficient Det和Retina Net等3个常用的前沿网络结构上测试了加入该插件结构后的改进网络的检测性能,并与原模型在基准数据集上进行对比和分析,实验证明改进网络模型的平均准确度分别提升了0.3%、2.7%和1.6%,精确率分别提高了7.0%,10.2%和7.2%,召回率下降了4.1%、3.9%和5.6%,改进网络对噪声以及一些特征不明确的难例目标敏感度下降,该结构提升了神经网络对部分轮廓相对固定的小目标的检测效果。