基于SSD改进的遥感图像目标检测算法

随着光学遥感技术的发展，遥感图像的目标检测方法也在逐步完善。SSD是一种单级目标检测模型，本文是基于SSD算法应用与遥感图像的目标检测任务并且针对遥感图像与正常图像的区别有针对性的改进。首先，目标检测分类模块和检测模块同时进行优化，由于检测模块内部简单样本和困难样本分布不均匀带来的梯度更新不均衡，导致检测模块收敛慢于分类，针对这个问题提出了一种新的损失函数可以缓解梯度更新不均衡，有效地在训练过程中加快模型的收敛并提高精度。同时，提出了Laplace-NMS方法，对于目标密集情况时后处理效果更好。本文提出的损失函数相对于SSD算法采用的提高了3.47%，同时本文提出的Laplace-NMS算法相对于NMS算法有0.78%的提升。

目标检测是光学遥感图像分析中的一个重要问题。同时，深度学习被应用到图像处理中，以海量的数据采集和现代GPU 矩阵计算的发展取代了传统的方法。基于深度学习的目标检测任务可以应用于实际，在实时检测方面取得了很大进展。自从R-CNN [1]第一次将深度学习应用于目标检测，目前为止已经发展了很多优秀的框架。其中代表性的二阶段方法Fast-RCNN [2]对于R-CNN 模型的最后一层卷积层后加了一个ROI pooling layer，并且将损失函数改成多任务损失函数(multi-task loss)，将边框回归直接加入到CNN 网络中训练。Faster-RCNN [3]使用RPN (Region Proposal Network)代替原来的Selective Search方法产生候选窗口，产生候选窗口的CNN 和目标检测的CNN 参数共享。FPN [4]提出一种不同分辨率特征融合的方式使得不同层次的特征增强，模型性能显著提升。Cascade-RCNN [5]在二阶段的基础上引入级联几个检测网络达到不断优化预测结果的目的。D2Det [6]通过引入密集的局部回归来预测一个目标建议区域的多个密集盒的偏移量，达到精确定位的目的。

YOLO [7]是经典的非候选框的一阶目标检测方法，对于Faster R-CNN，其先通过CNN 得到候选框， 然后再进行分类与回归。相比YOLO，SSD [8]采用CNN 来直接进行检测，并且提取了不同尺度的特征图来做检测，大尺度特征图可以用来检测小物体，而小尺度特征图用来检测大物体。Few-shot [9]利用少镜头支持集和查询集之间的相似性来识别新对象，减少了误识别。

由于遥感图像是高空拍摄采集，导致了目标的尺度非常小，对模型训练造成了很多问题，同时与传统的目标检测问题相比，遥感图像的目标检测过程中目标的密度非常高，针对以上问题，本文从损失函数和预选框后处理两个角度提出改进。

对于SSD 模型提出了二点改进；1) 为了平衡小目标和正常目标之间的梯度，本文提出了改进的SmoothL1 损失函数来解决这个问题，并且模型可以收敛到更高的精度。

2) 本文提出了Laplace-NMS 来取代原始的NMS [10]算法对预选框进行后处理，在不需要重新训练模型的基础上提高检测精度。

2. 相关工作 SSD 是由Liu 等人2015 年提出的一种快速高效的检测方法， 使用全卷积网络去提取特征并在多个特