面向遥感图像的目标检测在军用及民用的多个领域有着重要应用,例如车辆检测、船舶检测、城市规划等。深度学习是近几年来的一大热点,基于深度学习的目标检测算法研究发展迅速,在Image Net、COCO等光学图像数据集上有着不俗的表现。随着遥感图像领域的相关研究被人愈发重视,数据丰富、图像清晰的高质量遥感图像数据集也纷纷涌现,这给面向遥感图像的目标检测研究带来了极大的便利。针对光学遥感图像尺寸多样、方向不一、背景复杂等特点,本文开展深入研究,采用基于旋转框的目标检测算法进行目标检测,并针对遥感图像的特点进行网络的优化研究。本文主要工作及贡献如下:一、采用基于分类滑动点的旋转框表示方法。针对水平框表示法不适用遥感图像的情况,本文采用旋转框表示法对遥感图像目标进行检测;针对部分目标旋转框长短边之比异常的问题,本文采用外接矩形框作为待回归的水平框,将左上两个顶点的滑动比例作为旋转信息,并以分类的方式训练滑动点位置。这种旋转框表示方式有两个好处:第一,在一定程度上改善了anchor匹配困难的问题;第二,针对回归滑动点可能导致的边界周期性问题,采用分类的方式对滑动点进行表示,避免训练时产生损失和评估不一致的现象。二、提出一种基于残差结构改进的密集连接模块。密集连接模块沿袭了Dense Net的思想,将瓶颈层额外套上多层连接,具体表现为,在下采样后加入一个1×1卷积进行降维,并将降维后的特征图与之后的输出特征图进行特征融合;针对过多的下采样导致信息难以恢复的特点,本文采用空洞卷积对密集连接模块进行改进,在颈部网络上采样前,密集连接模块额外添加两条通路,一条为空洞卷积,另一条为3′3卷积,二者的输出特征图进行特征融合,确保上采样模块能更好地还原特征信息,使得多尺度检测头能有更良好的检测效果。同时,针对遥感图像密集排列目标较多的特点,本文采用了注意力机制,增强网络对焦点区域的关注,并抑制冗余的背景信息。本文提出了一种新的旋转框表示方法,并采用密集连接模块、空洞卷积和混合注意力机制提升检测精度。实验结果表明,网络能有效地抑制背景干扰信息,在遥感数据集上取得卓越的性能,m AP达到了77.62%。