针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题，本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构，以增强特征提取能力；此外，在浅层特征图与颈部网络融合之前加入感受野增强模块，以捕获不同尺度的上下文信息。其次，使用GSConv构成颈部网络，减少网络层参数量，保持网络的特征提取能力，并通过基于内容感知的特征重组模块提高识别精度。最后，采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入，来提高小目标的检测效果。为了证明该方法的有效性，在DOTA数据集和NWPU NHR-10数据集上进行实验，平均检测精度分别达78.6%和94.3%，计算复杂度为94.7 G，整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点，能有效提高小目标的检测精度，进一步改善光学遥感图像小目标检测性能。

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题，提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先，针对主干网络内存访问成本较高的问题，利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取，降低内存访问成本，提高网络并行度；其次，利用Slim-neck特征融合结构作为特征增强网络，以融合较低层级特征图中的细节信息，增强对小目标的特征响应，在多尺度信息融合区域施加坐标注意力机制，强化目标关注以提高较难样本检测以及抗背景干扰能力；最后，提出一种跨域迁移和域内迁移相结合的学习策略，减少源域与目标域的差异性，提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016，与同类型快速检测算法YOLOv5s相比，所提算法的检测精度提高了2.7个百分点，参数量减少了61.77%，在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s，能够有效实现对光学遥感图像中舰船目标的实时、准确检测。

针对深度学习目标检测算法由于模型体积过大、参数量过多而在星上部署困难的问题，在YOLOv5检测模型的基础上，提出了一种轻量化的光学遥感影像目标检测算法——LW-YOLO。首先，针对YOLOv5网络中的特征信息冗余所带来的计算开销，引入轻量化Ghost模块替换网络中的普通卷积以减少参数量；接着，设计了一种空间和通道融合的注意力模块Fusion Attention（FA），并在此基础上重构了网络的瓶颈层FABottleneck，进一步减少参数量，并提高算法对于光学遥感影像目标的定位能力；最后，提出了一种稀疏参数自适应的网络剪枝方法对网络进行剪枝，进一步压缩模型大小。在DOTA数据集上的实验表明，LW-YOLO算法相比于YOLOv5s参数量下降了64.7%，模型大小下降了62.7%，推理时间降低了3.7%，同时平均精度均值仅仅下降了6.4%。该算法以较小的精度损失为代价实现了网络模型的轻量化，为星上光学影像在轨目标检测提供了理论基础。

面向高效、高精度光学遥感图像目标检测应用,重点针对提升SSD(single shot multibox detector)模型对图像中聚集分布的小尺寸目标检测精度的难点,提出一种FFC-SSD(multi-scale feature fusion & clustering SSD)改进模型;设计目标框分组聚类(BGC)模块,采用分组聚类的方法获得更符合目标样本尺寸分布的默认目标框参数并给予小尺寸目标更多关注,以有效提升网络对目标位置信息的提取能力;设计反池化高效多尺度特征融合(MSFF)模块,以在增强模型目标特征提取能力的同时有效减小模型效率损耗。实验结果显示了所提模型对光学遥感图像目标检测的有效性与适用性,较好地实现了精度与效率的平衡,对小尺寸目标具有较高的检测精度。

针对港口难以自动识别的问题,在高分辨率可见光遥感影像上将深度学习和地理空间分析相结合,提出了船舶-码头-港口递进式识别模型。首先,对构建的码头样本数据集进行数据增强,并用增强后的数据集来训练YOLO v3算法。然后,在大幅遥感影像上利用滑动窗口进行多尺度识别,获取影像底层特征以计算出码头类别和像素坐标。最后,将码头点位转化为地理坐标,使用Getis-Ord Gi ^*统计方法进行热点分析。并利用经典的密度聚类方法,实现了对港口位置及范围的识别与提取。在实验区中的识别对比结果表明,在1000 m聚合阈值下,所提模型对港池识别的比例达到82.79%。

针对合成孔径雷达图像与光学遥感图像模式差异大、相互转换困难的问题,基于现有空间分离图像转换框架,提出了一种基于空间分离表征的循环一致性生成对抗网络(GAN)。以更深的网络层和跳跃连接完成图像风格和内容分离,通过学习内容映射关系,完成内容特征转换,而后组合目标风格特性实现图像转换。利用PatchGAN判别器,强化模型的图像细节信息生成能力,并新增目标误差损失和生成重建损失将转换任务限制为一对一映射,减少信息添加,约束生成网络。在SEN1-2、SARptical、WHU-SEN-City数据集上进行实验验证,相较于其他图像转换算法,所提方法能够有效实现两类遥感图像互转,生成图像清晰度高、细节特征完整、真实感强。

针对复杂海面地貌、云雾背景下的光学遥感图像舰船目标检测问题,提出一种结合空域和频域视觉显著性特征的无监督舰船目标检测算法。基于图像的RGB颜色空间和ITTI模型,利用图像亮度特征图、颜色特征图、亮度特征的一阶梯度组合构建图像特征,并基于图像区域与整幅图像的协方差矩阵计算图像区域的差异性。然后由协方差矩阵之间的广义特征值构建空域显著特征图,并加入PQFT(phase spectrum of quaternion Fourier transform)模型的频域显著特征图。最后利用元胞自动机融合空域显著特征和频域显著特征。实验结果表明,所提算法检测舰船目标时的性能要优于其他常用的视觉显著算法。

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。