亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

摘要： 遙感圖像中目標具有方向任意性和排列緊密性的特點，在檢測任務中使用傾斜邊界框可以更加精確定位和分離目標。目前遙感圖像旋轉目標檢測已經廣泛應用于民用和軍事國防領域，具有重要的研究意義和應用價值，已逐步成為研究熱點。鑒于此，對遙感圖像中旋轉目標檢測方法進行了系統性總結。首先，介紹了三種常用的傾斜邊界框的表示形式。其次，重點闡述全監督學習下的特征錯位、邊界不連續、度量值與損失不一致性、旋轉目標定位四個挑戰。然后，根據不同的動機和改進策略，詳細闡述了每種方法的核心思想及其優缺點，歸納出旋轉目標檢測方法框架。接著，列舉了旋轉目標檢測在遙感領域常用數據集，給出了經典方法在不同數據集上的實驗結果，并對不同方法的性能進行了評估。最后，結合深度學習應用于遙感圖像旋轉目標檢測任務中存在的挑戰，對該方向的未來發展趨勢進行了展望。

隨著科學技術的不斷發展和經濟實力的不斷提 升，截至 2022年 12月 31日，全球共有 6 718顆在軌活 躍衛星，其中超1 100顆衛星用于地球觀測任務（Union of Concerned Scientists Satellite Database， // www.ucsusa.org/resources/satellite- database），這 使 得 可獲取的衛星數據量成指數級增長，也為科學研究 提供了更加豐富的數據資源。然而，受時間差異、傳 感器差異和空間差異等眾多因素的影響，如何從遙 感圖像中獲取有效信息成為目標檢測在遙感領域發 展的關鍵問題。目標檢測作為遙感圖像處理領域的 基礎任務之一，具有重要的應用價值。在民用領域， 船舶的精確定位有利于海上救援和漁業管理，車輛 定位有利于交通疏導等。在軍事國防領域，目標檢 測常被用于精準定位軍事目標，從而及時分析戰時 局勢并制定行動計劃。 面對豐富的遙感影像資源，若是只依賴于人工 提取目標的類別、方向、位置、尺寸等有效信息，其效 率低、成本高，且在實際應用場景中無法快速準確獲 取目標信息，因此對目標檢測算法提出了更高的技 術要求，而基于深度學習的遙感圖像旋轉目標檢測 的研究恰能解決上述困難。 遙感圖像旋轉目標檢測是指在給定的遙感圖像 中判斷是否包含感興趣的目標，如飛機、車輛、船只 等，并以傾斜邊界框的標注方式對目標進行定位。 隨著深度學習的迅速發展，神經網絡提取特征信息 的能力進一步推動了遙感領域目標檢測的發展。然 而，與自然場景下的圖像相比，遙感圖像存在背景復 雜、目標方向任意、排列密集等問題，而現有的基于 深度學習的目標檢測算法尚不能在遙感領域取得優 異的表現，因此許多專家學者針對遙感圖像的特點， 以自然場景下的目標檢測算法為基礎，提出大量的 改進方案[1- 5]，遙感圖像中旋轉目標檢測算法則是基 于遙感圖像水平邊界框目標檢測算法進一步發展而來。 經典的基于深度學習的目標檢測算法大致可以 劃分為雙階段算法和單階段算法。以 R-CNN 系列[6-9] 為代表的雙階段算法，需要分成兩個階段完成檢測 流程。首先提取圖像中感興趣的區域，然后對每個 區域做分類和回歸。盡管雙階段檢測算法在檢測精 度上表現良好，但在檢測速度上較慢且計算量較 大。相反，以 SSD（single shot multibox detector）[10]和 YOLO（you only look once）系列[11-13]為代表的單階段 算法，只需要一個階段就能完成檢測流程，沒有候選 區域生成的環節，通過網絡提取的特征可以直接輸 出目標的位置和類別，其檢測速度較快，能夠滿足系 統實時性的要求，但檢測精度略低于雙階段算法。 當前大多數深度學習目標檢測算法都由上述經 典的模型改進而來，但自然場景下的檢測模型大多 采用水平邊界框標注，若直接用于檢測遙感圖像中 方向任意排列緊密的目標，則會表現不佳，而采用旋 轉目標檢測算法可以一定程度上緩解此問題。與水 平邊界框相比，在遙感場景中使用旋轉邊界框主要 有三個優勢[14]：一是能夠反映目標的真實長寬比；二 是旋轉邊界框能夠將目標與背景有效分離；三是有 利于分離密集排列的目標。水平邊界框與旋轉邊界 框的可視化對比如圖 1 所示。由于在遙感圖像中目 標大多朝向各異且排列密集，研究遙感圖像旋轉目 標檢測問題具有重要意義。

當前，針對遙感場景下目標檢測的文獻綜述已 有許多，有學者針對基于深度學習的光學遙感圖像 目標檢測方法進行系統梳理和研究[15-17]；也有部分學 者對艦船、飛機等特定目標的檢測進行分析總結[18-21]； 此外，王盛銘等[22]還重點針對高光譜遙感圖像中目標檢測進行了歸納整理。雖然近期也有關于傾斜邊界 框目標檢測的綜述性文章[23-24]，其主要關注傾斜框檢 測算法的發展歷程，或是從解決方案出發總結每一 類方法可以實際解決的問題，但缺乏對阻礙模型檢 測效果的算法難點進行分析總結。 鑒于目前基于深度學習的遙感圖像旋轉目標檢 測的綜述文獻較少，為了使廣大科研工作者對該領 域的現狀及最新進展有更加全面清晰的了解，本文 重點針對其所面臨的突出問題和解決方法進行系統梳理。

無人機具有體積小、靈活性強、航拍視野廣等特點，廣泛應用于警用巡查、城市交通監管、天氣監測、 電力巡檢、應急救援救災等行業。近年來，隨著計算機視覺領域的蓬勃發展，基于深度學習的目標檢測 技術逐漸應用于無人機領域，并不斷得到改進和加強。本文系統性地闡述了基于深度學習的目標檢測技 術發展歷程和研究現狀。針對現階段無人機航拍影像小目標多、背景復雜、目標尺度變化大的特性，歸 納和分析了近期對無人機目標檢測的相關研究。最后，展望了基于深度學習的無人機目標檢測技術的未 來發展趨勢。 隨著科技的發展，無人機(UAV)已經擺脫了過去的軍事用途，逐漸擴展到民用和商用領域。隨著無 人機技術的發展，基于深度學習的目標檢測技術已成為無人機應用領域的重要研究內容[1]。將目標檢測 技術應用于無人機上，實現在航拍視角下對地面場景的目標檢測和識別。然而，在無人機航拍圖像中， 檢測對象多為小目標，受航拍視角影響，目標尺度變化較大；圖像背景復雜，目標對象易被遮擋。給無 人機的目標檢測帶來了諸多挑戰[2]。常規的目標檢測算法應用于無人機上難以保證檢測精確度，優化無 人機的目標檢測性能成為了無人機應用領域的重要研究內容[3] [4]。本文首先介紹基于深度學習的目標檢 測研究進展，然后總結現階段無人機領域目標檢測的研究難點，針對小目標檢測、背景復雜、多尺度變 化三個方面進行改進和優化的各類方法進行了闡述。最后，對未來無人機目標檢測的研究方向做出了展 望。

摘要： 光學遙感圖像中云層會對地面信息進行不同程度的遮擋，造成了地表觀測信息的模糊和缺失，極大地影響遙感圖像的成像質量。因此，對遙感圖像中云層覆蓋的檢測和評估是進一步分析和利用遙感圖像信息的基礎和關鍵。通過充分的調研和對比總結，梳理了20世紀90年代以來，國內外基于遙感圖像的云檢測方法的發展趨勢和代表性工作。將基于遙感圖像的云檢測方法分為三類：基于光譜閾值的方法、基于經典機器學習的方法以及基于深度學習的方法。總結了當前國內外云檢測公開數據集，并對比了部分代表性工作的云檢測精度。此外，簡要梳理了與云檢測相關的云霧（霾）檢測、云雪檢測、云陰影檢測以及云去除等方法。對當前云檢測相關工作中存在的問題和未來的發展趨勢進行了分析和展望。 //journal26.magtechjournal.com/kjkxjs/CN/Y2023/V43/I1/1

**1 引言 **

近些年,隨著遙感技術的迅速發展以及大數 據技術的廣泛應用,對地觀測數據量增長迅速。 2021年1月21日發布的《中國對地觀測數據資 源發展報告》顯示,中國對地觀測數據總量已經 接近100PB,其中大量的遙感圖像數據可以最 為直觀地展示地球各類觀測信息,極大地推動了 人類對于地球的理解和認識。在各類遙感圖像 當中,光學遙感衛星獲取的光學遙感圖像數據在 諸如目標檢測[1-2]、語義分割[3]、場景理解[4]、變 化檢測[5]等領域。相關技術也廣泛應用于地圖 導航、氣象/海洋監測、防災檢測、軍事偵察等各 個方 面。 然 而,國 際 衛 星 云 氣 候 學 計 劃 (internationalsatellitecloudclimatologyproject, ISCCP)顯 示,地 球 平 均 云 層 的 覆 蓋 率 超 過 66%。云層遮擋導致的光學遙感圖像信息的缺 失,對下游的遙感圖像處理和識別造成很大的影 響。因此,發展遙感圖像的云檢測技術,是判別 遙感圖像觀測信息缺失程度以及遙感圖像進一 步利用的關鍵。 遙感圖像的云檢測是遙感圖像識別領域的 熱門方向之一。1982年提出的國際衛星云氣候 學計劃(ISCCP)當中,云檢測技術就是其中重要 的組成部分[6]。**自20世紀80年代以來,隨著衛 星遙感圖像處理技術的不斷發展,遙感圖像的云 檢測方法逐步形成了三種主流的技術路線: **

**1)基于光譜閾值的方法:主要基于對圖像中 云和其他目標光譜特性的分析,對遙感圖像中不 同光譜通道設置不同的閾值從而實現云檢測; **

**2)基于經典機器學習的方法:使用人工選擇 的圖像紋理、亮度等特征,訓練諸如支持向量機、 隨機森林等經典機器學習模型來對圖像塊/像素 進行分類,實現云的檢測; **

**3)基于深度學習的方法:該方法使用大量遙 感圖像數據,通過構建深層的神經網絡模型來自 動提取數據特征,獲取高精度的云檢測結果。 **

從20世紀90年代開始,通過分析圖像中不 同波段的反射信息,各類基于圖像光譜閾值的云 檢測方法被廣泛研究,由于該類方法簡單易行的 特性,有著十分廣泛的應用。但是,由于波段反射信息對不同檢測場景泛化能力較差,容易將其 他高反射率物體(如積雪、建筑等)誤判為云層, 導致傳統基于閾值的云檢測方法精度相對較低。 為了解決這一問題,2010年后,一些基于統計學 習(支持向量機、隨機森林等)的方法被廣泛應用 于云檢測,通過提取圖像的紋理或統計學特征來 提升云檢測的精度。基于統計學習的相關云檢 測方法也被實際應用于中巴資源02B 衛星[6]。 然而,由于統計學習模型本身需要人工進行特征 的篩選 和 定 義,使 得 特 征 提 取 過 程 較 為 低 效。 2012年,隨著 AlexNet模型[7]的提出,以卷積神 經網絡(convolutionalneuralnetworks,CNNs) 為代表的深度學習模型,由于其自動提取特征的 特性被廣泛應用于圖像識別的各個領域,其性能 在某些任務下可以超越人類。因此,近些年大量 基于深度學習的云檢測方法被不斷提出。基于 深度學習的云檢測方法由于其精度高、泛化能力 強的特點,逐漸成為當前最為主流的云檢測方法 之一。 **除云層遮擋外,光學遙感圖像當中,霧、霾等 各類氣溶膠以及云陰影也會對遙感圖像的成像 質量造成影響。**此外,高反射率的積雪和建筑會 呈現出與云層相似的光學特征,從而影響云檢測 的結果。因此,對于上述目標的檢測和識別也是 云檢測的重要內容,相關方向也被廣泛研究。此 外,由于遙感影像來源多樣的特性,不同衛星產 生的遙感影像往往會使用不同的云檢測方法,因 此對于云檢測數據來源和公開數據集的總結也 十分必要。 國內外已有一些綜述性工作對遙感圖像的 云檢測方法進行總結和分析,但缺少針對云檢測 方法層面的系統全面梳理,也缺乏對未來云檢測 方法發展的分析和展望。劉紫涵等人針對不同 的衛星數據類型,重點介紹和梳理了傳統基于光 譜閾值和經典機器學習的云檢測方法[6]。Foga 等人重點針對 Landsat衛星的數據產品,對比了 不同 云 檢 測 算 法 的 實 際 檢 測 效 果 和 精 度[8]。 Mahajan等人從具體檢測任務出發(如:云檢測、 云雪檢 測、薄 云 厚 云 檢 測 等),回 顧 了 2004- 2018 年 間 的 傳 統 閾 值 方 法 以 及 機 器 學 習 方 法[9]。Li等人主要關注了基于深度學習的云檢 測方法,梳理了深度學習云檢測方法的公開數據集以及代表算法模型,并且介紹了主流的深度學 習模型壓縮和輕量化方法[10]。 **本文從云檢測三種不同的主流技術路線出 發,詳細介紹了遙感圖像云檢測方法的研究進展 和現狀,對不同技術路線的代表性云檢測工作進 行了對比分析。**介紹了遙感圖像云檢測的公開 數據集并對比了各類代表性方法的云檢測精度。 此外,簡要梳理了與云檢測相關的云霧(霾)檢 測、云雪檢測、云陰影檢測以及去云的代表性工 作。最后對國內外研究當前存在的問題和未來 的發展方向進行了分析和展望。 **2 云檢測方法 **

20世紀80年代以來,隨著國內外研究人員 的廣泛研究,眾多云檢測工作被提出。本文將現 有工作根據核心方法的不同,大致分為三類:基 于光譜閾值的云檢測方法、基于經典機器學習的 云檢測方法以及基于深度學習的云檢測方法。 本章將對以上三種方法的代表性工作進行梳理 和介紹。圖1總結了當前云檢測方法的主要分 類和代表性工作。

**2.1 基于光譜閾值的云檢測方法 **

基于光譜閾值的云檢測方法是最早被廣泛 研究和應用的云檢測方法。該類方法通過分析 圖像不同光譜波段之間的差異,設置閾值來區分 云和背景圖像,以達到云檢測的目的。早期的基 于光譜閾值的云檢測方法可以追溯到1994年, Kegelmeyer等人通過設置單一閾值,對經過偽 笛卡 爾 變 換 (pseudo-cartesiantransformation) 的 WSI(wholeskyimage)EO-5相機獲取的圖 像進行閾值分割,得出灰度圖像,來達到云檢測 的目的[11]。但是單一閾值方法精度較低,并沒 有被廣泛使用。在之后的研究當中,自動云覆蓋 評估 方 法 (automaticcloudcoverassessment, ACCA)[12-13]以 及 掩 膜 函 數 (functionofmask, Fmask)[14]方法成為了基于光譜閾值的云檢測 方法中最具代表性的方法,并被廣泛研究和應 用。其中,Irish 等 人 提 出 的 ACCA 方 法 用 于 Landsat7ETM+(EnhancedThematicMapper Plus)衛星圖像的自動云檢測。 ACCA 方法基于 Landsat7ETM+圖像中第2至7波段,首先通 過設置多個光譜濾波器,使用云層的反射和熱能 特征來判斷圖像中云層的存在性,而后對于有云 的圖像,利用所建立的云層熱刨面圖,根據云的熱能性質來進一步進行云檢測[12-13]。該方法在 地球大部分區域可以取得較好的云檢測精度,但 是對于存在積雪的高緯度、高海拔區域(如南極 洲),由于反射率相似,ACCA 方法難以有效區 分云層和積雪。Fmask方法由 Zhu等人提出, 用于對 Landsat圖 像 進 行 云 層 和 云 陰 影 的 檢 測[10]。該方 法 將 Landsat大 氣 層 頂 端 (topof atmosphere,TOA)反射和亮度溫度(brightness temperature,BT)作為輸入,通過云的物理特性 以及相關物理量的概率信息來進行云檢測,并還 通過近 紅 外 波 段 來 檢 測 云 陰 影。此 外,Fmask 工作中還明確了云檢測的精度計算方法,許多精 度評判指標(如全局精度等)被沿用至今。 ACCA 方法和 Fmask方法被提出后,在相 當長的時間當中成為了云檢測的主流方法,許多 研究人員也受到上述兩種方法的啟發,提出了更 多的基于光譜閾值的云檢測方法。劉希等人利 用雙通道動態閾值法實現了日本 GMS-5靜止氣 象衛星圖像的自動云檢測[15]。馬芳等人進一步 考慮了 GMS-5衛星中的四個光譜通道,提出了 通道綜合運算云檢測方法,改善了地理位置對于 云檢測的影響[16]。2015年,Zhu等人又通過取 消對熱光譜(thermalband)的使用以及增加卷 云概率,提高了傳統 Fmask方法對于薄卷云的 檢 測 精 度[17]。Shi 等 人 提 出 的 MFmask (mountainousfmask)方 法,針 對 Landsats4-8 圖像,提升了傳統 Fmask方法在多山區域的云 檢 測 精 度[18]。 隨 后,Qiu 等 人 提 出 了 Fmask4.0,通過對輔助數據的整合和新的基于 HOT(hazeoptimizedtransformation)云概率方 法的提出,結合光譜紋理信息,提升了云檢測的 精度[19]。 基于光譜閾值的方法通過對圖像的不同光 譜設置閾值的方式實現了云的自動檢測,該類方 法無需像素級的標記和復雜的模型訓練,可以較 為高效地進行部署和運行。但是,基于光譜閾值 的方法通常要求遙感圖像具有較為豐富的光譜 信息,因此 此 類 方 法 大 多 基 于 Landsat系 列 或 Sentinel-2衛星,對于光譜數量較少的遙感圖像 或可見光圖像,此類算法難以有效運行。為了緩 解對于光譜信息的依賴,Zhu等人在 Fmask的 基礎之上,提出了 Tmask(multitemproalmask) 方法,通過引入多時相圖像來提供額外的信息, 一定程度減少對于過多光譜信息的使用,同時提 高云檢測的精度[20]。Li等人提出的 MFC 方法 通過使用圖像紋理信息和光譜信息同時進行云 檢測,實現了對4通道圖像的高精度云檢測[21]。 除對光譜信息的依賴之外,基于光譜閾值的方法 往往泛化能力較差,針對不同場景尤其是復雜場 景往往算法的魯棒性不足[6]。表1對本章提到 的基于光譜閾值的云檢測方法的數據來源和方 法優劣勢進行了總結。 **2.2 基于經典機器學習的云檢測方法 **

針對基于閾值分割的傳統云檢測方法過于 依賴圖像光譜信息、場景適應性及魯棒性較差的 問題,研究人員更多地考慮了將經典機器學習方 法引入云檢測任務中,被廣泛應用的機器學習模 型包 括 支 持 向 量 機 (supportvector machine, SVM)以 及 隨 機 森 林 (randomforest,RF)等。 機器學習理論的迅猛發展同時為云檢測領域吸 引了更高的研究注意力,推動了云檢測技術的快 速發展。包括紋理、邊緣等的圖像特征選擇是機 器學習方法的核心環節之一,根據所使用圖像特 征的語義級別的不同,可以將基于經典機器學習 理論的云檢測方法大致分為三類:亮度特征、紋 理特征以及局部統計特征。 亮度特征即圖像不同波段的反射率,是遙感 影像最底層的原始特征,是早期機器學習云檢測 方法中最常用的特征。Kang等人提出了一種 無監督云檢測方法,他們訓練支持向量機在 HSI 顏色空間分割云層,并使用引導濾波技術細化云 層邊界[22]。Fu等人將隨機森林技術引入云檢 測領域,相比于支持向量機,隨機森林能更好地 處理多種特征類型之間復雜的非線性依賴關系, 模型的樣本容量更高,執行速度更快,也具有更 好的可解釋性[23]。Wei等人提出的云檢測方法 進一步改進了基于隨機森林模型的云檢測方法, 他們的算法引入了 SEEDS 分割方法進行后處 理,進一步優化了基于隨機森林的云檢測算法的 性能[24]。該方法能夠較好地識別碎云和薄云、 遺漏很少,并且可以更準確地區分大部分云層和 相似的高反光人工地物,很少有誤判,但是該算 法不能很好地解決云層和積雪分離任務。

紋理特征是相比亮度特征更高級別的遙感 影像特征,包含更高級別的圖像語義信息,有利 于實現更精確的云檢測性能。通過設置不同尺 寸的特征提取窗口,可以在多個尺度上提取圖像 特征。Chen等人提出的云檢測方法利用灰度共 生 矩 陣 (gray level co-occurrence matrix, GLCM)提取紋理特征,然后訓練非線性支持向 量機分割云層[25]。該方法適用于南極地區,特 別是適合于薄卷云的檢測,但是魯棒性一般。Li 等人提出的方法同樣采用支持向量機模型,不同 的是,他們計算灰度共生矩陣二階矩的平均梯度 和角度提取圖像塊的紋理特征[26]。該算法的整 體檢測 精 度 較 高,但 是 對 于 云 占 比 為 50% ~ 95%的圖像檢測精度較低。Sui等人進一步發 展了基于支持向量機的云檢測方法。他們引入 了前處理步驟,利用簡單線性迭代聚類(simple lineariterativeclustering,SLIC)算法將遙感圖 像分割為超像素,然后計算圖像 Gabor響應的 能量特性和光譜特性提取紋理特征[27]。該算法 在有限的光譜波段下具有較高的精度。An等 人提出的方法不再使用傳統的支持向量機模型, 他們訓練基于最小化數據特征及標簽之間殘差 的場景 學 習 器 實 現 對 云 層 的 精 確 分 割[28]。此 外,該算法相比于其他方法構建了更加復雜的圖 像特征空間,通過堆疊顏色特征、統計信息、紋理 特征和結構化信息建立圖像特征。 局部統計特征覆蓋了相比于紋理特征更廣 泛的特征類型,可以提取更高語義級別、任務特 異性更強的圖像特征,通過計算滑動窗內像素的 統計特征實現更可靠、更精細的云像素分類效 果。Yuan等人提出的云檢測方法基于支持向 量機,結合SLIC算法進行前處理將圖像分割成 超像素,以及 GrabCut算法進行后處理細化云 檢 測 結 果[29]。 他 們 基 于 詞 袋 (Bag-of-words,BOW)模型提取超像素的統計特征。Tan等人 提出的方法同樣基于支持向量機模型,并且同樣 結合了 SLIC 算法和 GrabCut算法[30]。不同的 是,他們提取了更加復雜的基于光譜、紋理、頻率 和線段的圖像特征。該算法的精度較高,但是耗 時較長,并且會將紋理精細的卷云識別為非云區 域。Deng等人提出的方法進一步發展了基于支 持向量機的云檢測算法[31]。他們使用更加復雜 的高級別圖像統計特征實現了更優的云層分割 性能。在采用SLIC算法分割圖像之后,提取自 然場景統計模型的空間域 NSS特征以及 Gabor 特征進行云像素分割。該算法的檢測精度和魯 棒性較好,但是對薄云相比厚云的檢測精度略 低。Tian等人將極限學習機(ELM)模型引入了 云檢測領域[32]。他們研究跨軌紅外探測器 CrIS 的 全 光 譜 分 辨 率 (FSR)數 據,選 取 CrIS 的 LWIR-SWIR 通道對的亮度溫度,提取 FSR 數 據的云檢測指標(FCDIs)特征,該算法的分類結 果良好,但是誤檢率較高。 相比于傳統的基于光譜閾值的云檢測方法 對獨立像素的分類潛力研究,基于經典機器學習 的方法開始了對遙感影像空間模式信息的挖掘 利用,這有效提高了分割模型對遙感影像信息的 利用率。同時,圖像特征的使用也大大降低了傳 統云檢測方法對衛星圖像數據光譜范圍的高度 依賴。但是,由于經典的機器學習模型通常需要 手工設計圖像特征,使得基于經典機器學習的方 法難以更加高效地提取遙感圖像更高級別的語 義信息。當面對復雜場景時,此類方法會面臨精 度下降的問題[9]。

**2.3 基于深度學習的云檢測方法 **

2012 年 開 始,以 AlexNet [7]、VGG [33]、 ResNet [34] 等 卷 積 神 經 網 絡 (convolutional neuralnetworks,CNNs)為代表的深 度 學 習 模 型 在 ILSVRC (imagenet large scale visual recognitionchallenge)競賽[35]中取得了突出表 現,并被廣泛應用于圖像分類、目標檢測等計算機視覺領域。深度學習方法在遙感圖像處理和 識別領域也取得了許多的成果,這也進一步推動 了基于深度學習的云檢測方法的快速發展。 早期基于深度學習的云檢測方法將遙感圖 像切分為多個圖像塊,并將云檢測任務建模為圖 像分類過程。其中,Mateo等人將原始遙感圖像 切分為33×33的圖像塊,并利用2層卷積神經 網絡來對圖像塊進行分類[36]。Xie等人同樣將 原始圖像進行切分,但通過使用 SLIC 方法生成 超像素,并使用雙分支卷積神經網絡來對超像素 進行分類[37]。基于圖像切分的方法使用卷積神 經網絡來自動提取圖像特征,通常可以獲得比經 典機器學習方法更高的云檢測精度;但是對于圖 像塊中同時包含云層和非云層像素的情況,會造 成分類的誤差。 為了解決上述問題,受到計算機視覺領域圖 像分 割 代 表 工 作 全 卷 積 神 經 網 絡 (fully convolutionalnetworks,FCN)[38]的 啟 發,基 于 深度 學 習 的 云 檢 測 方 法 逐 步 從 圖 像 塊 分 類 (patch-wiseclassification)發展為圖像像素分類 (pixel-wiseclassification)。Wu等人針對高分1 號寬幅遙感圖像(GF-1 WFV),通過融合 CNNs 提取的低層(low-level)和高層(high-level)的特 征來獲取云層的概率圖,并通過復合圖像濾波技 術來細化云檢測結果[39]。Yan等人利用修改的 殘差模型和金字塔池化模塊來實現云和云陰影 的檢測[40]。 傳統的FCN 模型在特征提取(即編碼器)階 段對圖像的下采樣很大程度上造成了圖像空間 信息的缺失。并且在上采樣(解碼器)階段直接 對低分辨率特征進行一次性的恢復,難以有效恢 復圖像的細節信息。Ronneberge等人通過在編 解 碼 器 之 間 加 入 特 征 融 合 以 及 反 卷 積 (transposeconvolution)的操作,提出了 U-Net 模型,很 大 程 度 上 提 升 了 圖 像 分 割 的 精 度[41]。 許多研究人員也提出了各類基于 U-Net模型的 云檢測方法。其中,Francis等人基于 U-Net框 架,結合了Inception等模塊,提出了 CloudFCN 云檢測方法[42]。Marc等人基于 U-Net框架,實 現了對云、云陰影等五種目標的檢測和分類,并 驗證了方法對不同衛星傳感器的泛化能力[43]。 Jeppesen等人同樣基于 U-Net框架提出了 RSNet(remotesensing network)模 型,僅 使 用 Landsat衛星圖像中的 RGB 通道,實現了高精 度的云 檢 測[44]。張 家 強 等 人 將 殘 差 模 塊 引 入 U-Net進行云檢測,提高了模型的表示能力和泛 化能力[45]。除 U-Net模型之外,另一種FCN 模 型的變體 SegNet模型[46]也被用于云檢測任務 當中。Chai等 人 基 于 SegNet分 割 模 型,針 對 Landsat衛星圖像實現了云和云陰影的檢測[47]。 么嘉棋等人將SegNet與隨機條件場相結合,提 升了云邊緣輪廓的檢測精度[48]。李佳欣等人以 SegNet模型為基礎,使用 POLDER多角度探測 衛星數據,構建了含有多角度信息的遙感圖像云 檢測模型[49]。上述工作大多直接使用自然圖像 的語義分割模型在云檢測數據集上進行訓練,沒 有針對云檢測的任務特點對模型結構進行特別 的優化和設計,因此對于云檢測任務當中出現的 諸如薄云、云邊緣、高反光的積雪和建筑物等難 樣本,上述方法通常表現較差。 近些年,隨著對云檢測任務的不斷研究,研 究人員發現,如何針對云檢測任務本身的特點和 難點,設計更加有效的多尺度特征提取和融合方 法,是提 升 云 檢 測 算 法 精 度 的 關 鍵 技 術 之 一。 Yang等人針對低分辨率遙感縮略圖像提出了 CDnet,通過設計特征金字塔、邊緣細化等模塊 提高了低分辨率圖像云檢測的檢測精度[50]。Li 等人則特別針對中高分辨率的遙感圖像,設計了 多尺度的卷積特征融合方法 MSCFF,提升了云 檢測精度,并在不同的傳感器所獲取的遙感圖像 上驗證了方法的有效性[51]。Shao等人針對云 檢測任務,在原有全卷積神經網絡的基礎上設計 了多尺度特征融合模塊,并提出了 MF-CNN 模 型,提升了對于薄云和厚云的檢測精度[52]。Yu 等人針對 GF-5圖像提出了多尺度融合門控云 檢 測 模 型 MFGNet(multiscalefusion gated network)[53]。MFGNet設計了雙分支 的 CNN 云檢測模型提取淺層和深層信息,并利用帶注意 力機制的金字塔池化和空間注意力機制來進行 特征融合,提升了云檢測的精度。Wang等人通過設計信息利用更充分的特征融合方式使云檢 測結果更準確精細[54]。Guo等人通過增加自適 應特征融合模塊以及高級語義信息指導流模塊, 結合空間維度和通道維度的注意力機制,提出了 CDNetV2模型,實現了云雪共存場景下的高精 度云檢測[55]。然而,過于復雜的特征融合方式 往往會導致模型的計算和內存復雜度過高。為 了解決 這 一 問 題,He等 人 提 出 了 DABNet方 法,通過使用 DCFP模塊動態提取多尺度特征, 并且設計了新的 BW 損失函數,提升云邊緣的 檢測精度[56]。 除上述對特征融合方式進行改進的工作外, 近期有部分工作針對云檢測任務和遙感圖像的特 點,提出了多種多樣的模型結構,取得了較好的云 檢測效果。其中,Li等人通過將云檢測過程結合 衛星成像機理,提出了 CloudMatting方法,可以 同時獲取云掩膜以及云層不透明度參數,可以一 定程度上估計云層的厚度[57]。Wu等人將經緯 度、海拔等地理信息和遙感圖像進行特征融合,提 出了 GeoInfoNet,實 現 了 對 云 和 雪 的 高 精 度 檢 測[58]。Wu等 人 提 出 了 場 景 聚 合 網 絡 (scene aggregationnetwork,SAN),其將場景信息與遙感 影響相融合,并利用融合的特征獲取高精度的云 檢測結果,同時可以實現對不同場景的分類[59]。 上述基于深度學習的云檢測方法相較于傳 統的基于光譜閾值和經典機器學習的方法可以 取得更高的云檢測精度,但是所有模型均需要使 用深度學習方法中常用的監督學習來進行訓練, 需要人工進行大量的像素級標注,十分耗費人 力。為了解決這一問題,近期許多基于弱監督學 習的云檢測方法被不斷提出。Zou等人通過生 成對 抗 網 絡 (generativeadversarialnetwork, GAN)來生成大量用于訓練的含云的遙感圖像, 從而避免了大量的人工標注[60]。Li等人將像素 級別的標注弱化為圖像塊(block-level)級別的 標注 信 息,并 提 出 了 全 局 卷 積 池 化 (global convolutionalpooling,GCP)運算來實現弱監督 下的云檢測[61]。仇一帆等同樣受到弱監督學習 的啟發,使用傳統的 CFmask方法(基于 C 語言 的 Fmask方法)代替人工標注來獲取云檢測標 注,而后基于SegNet模型進行云檢測[62]。 上述基于弱監督的云檢測方法雖然一定程 度上緩解了深度學習云檢測方法對于大量標注 信息的需求,但基于弱監督的云檢測方法精度相 較于主流的基于監督學習的云檢測方法存在一 定的差距。此外,深度學習方法本身對于大量訓 練樣本和計算資源的需求,仍是其在實際應用和 部署當中需要進一步解決的問題。表3對比了 本章提到的基于深度學習的云檢測方法的數據 來源和優缺點。

隨著計算機視覺和人工智能技術的快速發展，近年來，目標檢測受到了更加廣泛的關注。由于小目標像素占比小、語義信息少、易受復雜場景干擾、易聚集遮擋等問題，導致小目標檢測一直是目標檢測領域中的一大難點。目前，視覺的小目標檢測在生活的各個領域中日益重要。為了可以進一步促進小目標檢測的發展，提高小目標檢測的精度與速度，優化其算法模型，本文針對小目標檢測中所存在的問題，梳理了國內外有關小目標檢測的研究現狀及成果。首先，分別從小目標可視化特征、目標分布情況、檢測環境等角度對小目標檢測的難點進行了分析，同時從數據增強、超分辨率、多尺度特征融合、上下文語義信息、錨框機制、注意力機制以及特定的檢測場景等方面，系統總結了小目標檢測的方法。并整理了在框架結構、損失函數、預測和匹配機制等方面發展的較為成熟的單階段小目標檢測方法。其次，本文對小目標檢測的評價指標以及可用于小目標檢測的各類數據集也進行了詳細的介紹，并且針對部分經典的小目標檢測方法在COCO、VisDrone2021、Tsinghua-Tencent100K等數據集上的檢測結果及其可視化檢測效果進行了對比與分析。最后，對未來小目標檢測所面臨的挑戰，包括應如何解決小目標定位困難、網絡模型下采樣對小目標的影響、交并比閾值的設置對小目標不合理等問題和其對應的研究方向進行了分析與展望。

隨著人工智能技術研究的不斷發展，深度學習、 機器視覺等技術在無人駕駛、智慧醫療、人臉識別 等領域得到了更加廣泛的應用。機器視覺的任務是 對圖像進行解析，提取出利于計算機理解的信息， 包括對圖像的分類(Dalal 等，2005)、檢測(Szegedy 等，2013)和分割(Ding 等，2018)等。目標檢測作為 計算機視覺領域的核心研究方向之一，其利用相關 算法，通過精確的定位(Wu 等，2020)找到特定的目 標類。早期傳統的目標檢測方法如 HOG(Dalal 等， 2005)、DPM(Felzenszwalb 等，2008)等，通常采用 區域選擇、特征手工提取、分類回歸三步實現，但 人工提取目標特征對于小目標檢測存在較大的局 限性。基于卷積神經網絡的目標檢測算法總體可以 分為兩階段和單階段檢測算法，兩階段檢測算法如 Faster R-CNN(Ren 等，2015)、Cascade R-CNN(Cai 等，2018)等，通過區域提議網絡選取生成候選區域， 再對其進行分類和回歸得到檢測結果，但是在小目 標的檢測上仍存在準確率較低的問題。單階段檢測 算法如(Single Shot MultiBox Detection，SSD)(Liu 等， 2016)，(You Only Look Once，YOLO)(Redmon 等， 2016)等，能夠直接對目標進行定位，輸出目標的類 別檢測信息，在一定程度上提升了目標檢測的速度。小目標檢測作為目標檢測的難點和熱點，有著更加 重要的應用價值。在醫學影像學中，成功檢測出早 期微小的病灶和腫塊，對之后診斷和治療腫瘤有著 至關重要的作用(Bottema 等，2000)；在自動工業檢 查中，通過小目標檢測來定位材料表面上的小缺陷 (Ng 等，2006)，防止意外的發生。因此，小目標檢 測也是計算機視覺中不可或缺且具有挑戰性的問 題。當前對小目標的定義通常分為兩種，一若目標 的尺寸低于原圖像尺寸的 0.1 倍，就認為是相對小 目標 (Liu 等，2020)；二在 MS-COCO 數據集中， 若目標的尺寸小于 32 * 32 個像素，就認為是絕對 小目標。盡管目標檢測算法已經取得了重大突破， 但是現階段小目標檢測的研究還具有很大挑戰，主 要有以下幾個問題。一是小目標可視化特征不明顯， 可利用信息較少。若圖像本身的分辨率比較低 (Wang 等，2018)，將難以精準地檢測出小目標。二 是特征提取問題。目標檢測中，特征提取的好壞直 接影響最終的檢測效果，與大尺度目標相比，小目 標的特征更難提取。并且在檢測模型中，經過池化 后小目標的某些特性會被刪除，給檢測帶來一定的 挑戰。三是背景干擾問題。復雜環境下的小目標檢 測會受到光照、復雜地理元素、以及遮擋、聚集等 因素的干擾，難以將它們與背景或相似的目標進行 區分。因此，如何有效地改善復雜背景干擾也是當 前面臨的問題。四是小目標數據集短缺。目前，主 流的目標數據集，例如 PASCAL VOC、MS-COCO 中大多都是通常尺度的目標，其中小尺度目標的占 比不足并且分布不均勻。而 DOTA(Xia 等，2018)遙 感目標檢測數據集和 FDDB(Jain 等，2010)人臉檢 測數據集等，都是針對特定場景或任務的，不具備 小目標檢測的通用性。五是網絡模型對小目標的泛 化能力弱。由于目前大部分的檢測模型在預訓練過 程中，通常使用目標尺度相對較大的分類數據集， 所以得到學習后的網絡模型對小目標的泛化能力 較弱。目前，視覺的小目標檢測在生活的各個領域中 日益重要，為了可以進一步促進小目標檢測的發展， 針對當前小目標檢測所存在的難點和問題，本文綜 述了國內外有關小目標檢測的研究現狀及成果。歸 納分析了常用的小目標數據集，并且從數據增強、 超分辨率、多尺度特征融合、上下文語義信息、錨 框機制、注意力機制以及特定的檢測場景等方面， 系統總結了小目標檢測的方法，最后對未來小目標 檢測的研究方向進行了分析與展望。

視覺目標檢測旨在定位和識別圖像中存在的物體，屬于計算機視覺領域的經典任務之一，也是許多計算機視覺任務的前提與基礎，在自動駕駛、視頻監控等領域具有重要的應用價值，受到研究人員的廣泛關注。隨著深度學習技術的飛速發展，目標檢測取得了巨大的進展。首先，本文總結了深度目標檢測在訓練和測試過程中的基本流程。訓練階段包括數據預處理、檢測網絡、標簽分配與損失函數計算等過程，測試階段使用經過訓練的檢測器生成檢測結果并對檢測結果進行后處理。然后，回顧基于單目相機的視覺目標檢測方法，主要包括基于錨點框的方法、無錨點框的方法和端到端預測的方法等。同時，總結了目標檢測中一些常見的子模塊設計方法。在基于單目相機的視覺目標檢測方法之后，介紹了基于雙目相機的視覺目標檢測方法。在此基礎上，分別對比了單目目標檢測和雙目目標檢測的國內外研究進展情況，并展望了視覺目標檢測技術發展趨勢。通過總結和分析，希望能夠為相關研究人員進行視覺目標檢測相關研究提供參考。

視覺目標檢測是計算機視覺的經典任務,旨在 定位圖像中存在物體的位置并識別物體的具體類 別。 目標檢測是許多計算機視覺任務及相關應用的 基礎與前提,直接決定相關視覺任務及應用的性能 好壞。 因此,視覺目標檢測技術受到了學術界、工業 界等各領域、乃至世界各國政府的廣泛關注。 在學 術界,目標檢測一直是各大計算機視覺會議及期刊 的研究熱點之一,每年有大量的目標檢測相關論文 發表。 根據谷歌學術顯示,研究人員近 10 年來在目 標檢測方面發表論文 15 000 余篇。 在工業界,國內 外科技巨頭(如谷歌、臉書、華為和百度等)、初創公 司(如商湯、曠視等)紛紛在目標檢測相關領域投入 大量人力財力。 與此同時,目標檢測技術是新一代 人工智能的重要共性關鍵技術,世界各國競相競爭。

在過去的幾十年中,目標檢測經歷了基于手工 設計特征的方法到基于深度特征的方法等不同發展 階段。 早期,目標檢測方法通常采用手工設計特征 加淺層分類器的技術路線,例如支持向量機(support vector machines,SVM) 和 AdaBoost 等,涌現了包括 Haar 特征(Viola 和 Jones,2004)、方向梯度直方圖 (histograms of oriented gradients,HOG) 特征( Dalal 和 Triggs,2005)等一系列經典的目標檢測特征描述 子。 2012 年以來,深度學習技術取得了飛速的發 展,并行計算資源不斷迭代更新,大規模數據庫及評 測標準相繼構建與公開。 基于上述技術、算力和數 據的鋪墊,視覺目標檢測開始在精度與效率等方面 取得了顯著的進展,先后涌現出區域卷積神經網絡 (region-based convolutional neural network,R-CNN) (Girshick 等,2014)、SSD( single shot detector) ( Liu 等,2016)、YOLO( you only look once) (Redmon 等, 2016)、 DETR ( detection transformer ) ( Carion 等, 2020)等一系列經典的研究工作。 相比于傳統手工 設計特征的方法,基于深度學習的方法避免了煩瑣 的手工設計過程,能夠自動學習更具有區分力的深 度特征。 與此同時,基于深度學習的方法將特征提 取和分類器學習統一在一個框架中,能夠進行端到 端的學習。

隨著技術的不斷發展與成熟,深度目標檢測技 術開始在實際應用中發揮重要作用。 近些年,國內外涌現了一批以目標檢測等視覺技術為核心技術的 科技創業公司,如曠視科技、商湯科技等。 同時,視 覺目標檢測是自動駕駛汽車環境感知重要的內容之 一,以特斯拉為代表的一批科技公司甚至采用純視 覺目標感知的技術路線開展自動駕駛研究。 盡管目 標檢測技術已經開始走向實際應用,但是當前目標 檢測的性能仍然無法到達人類視覺的性能,存在巨 大改進與提升的空間。 鑒于基于深度學習的目標檢測技術在學術界和 產業界取得了巨大成功,本文對基于深度學習的視 覺目標檢測技術進行了系統的總結和分析,包括國 內外研究現狀以及未來的發展趨勢等。 根據視覺目 標檢測采用視覺傳感器的數量不同,將視覺目標檢 測分為兩類:基于單目相機的視覺目標檢測和基于 雙目相機的視覺目標檢測。 相比于單目相機,雙目 相機能夠提供 3 維信息。 因此,基于雙目相機的視 覺目標檢測能夠提供精準的目標 3 維信息,在自動 駕駛等領域能夠更好地滿足應用需求。

首先介紹目標檢測的基本流程,包括訓練和測 試過程。 接著,系統地總結和分析單目視覺目標檢 測。 然后,介紹雙目視覺目標檢測。 最終,對比國內 外發展現狀,并對發展趨勢進行展望。

隨著遙感(RS)技術的飛速發展，大量具有復雜的異質的地觀(EO)數據的出現，使得研究人員有機會以一種全新的方式處理當前的地球科學應用。近年來，隨著地觀數據的聯合利用，多模態遙感數據融合的研究取得了巨大的進展，但由于缺乏對這些強異構數據的綜合分析和解釋能力，這些已開發的傳統算法不可避免地遇到了性能瓶頸。因此，這一不可忽視的局限性進一步引發了對具有強大加工能力的替代工具的強烈需求。深度學習(Deep learning, DL)作為一項前沿技術，憑借其出色的數據表示和重構能力，在眾多計算機視覺任務中取得了顯著的突破。自然，該方法已成功應用于多模態遙感數據融合領域，與傳統方法相比有了很大的改進。本研究旨在對基于深度學習的多模態遙感數據融合進行系統的綜述。更具體地說，首先給出了關于這個主題的一些基本知識。隨后，通過文獻調研分析了該領域的發展趨勢。從擬融合數據模態的角度，綜述了多模態遙感數據融合中的一些流行子領域，即空間光譜、時空、光探測和測距光學。從融合數據模態的角度，綜述了多模態遙感數據融合的幾個子領域，即空間光譜、時空、光探測與測距-光學、合成孔徑雷達-光學、RS-地理空間大數據融合。在此基礎上，對多模態遙感數據融合技術的發展進行了有益的總結。最后，強調了剩余的挑戰和潛在的未來方向。

引言

由于RS在觀測地球環境方面的優勢，在各種EO任務中發揮著越來越重要的作用(Hong et al., 2021b; Zhang et al., 2019a)。隨著多模態RS數據的可用性不斷增加，研究人員可以方便地訪問這些數據，這適合于現有的應用。盡管有大量的多模態數據可用，但每個模態幾乎不能捕捉到一個或幾個特定的屬性，因此不能完全描述觀測到的場景，這對后續應用造成了很大的限制。自然，多模態遙感數據融合是突破單模態數據困境的一條可行途徑。通過整合從多模態數據中提取的互補信息，可以在許多任務中做出更穩健可靠的決策，如變化檢測、LULC分類等。與多源、多時相遙感不同，“模態”一詞一直缺乏明確、統一的定義。

基于深度學習的多模態遙感數據融合

本文在前人研究(G′omez-Chova et al., 2015; Dalla Mura et al., 2015)。遙感數據的主要特征有兩個主要因素，即傳感器的技術規格和實際采集條件。具體來說，前者決定了產品的內部特征，如成像機理和空間、光譜、輻射、時間等領域的分辨率。后者控制外部屬性，如采集時間、觀測角度、安裝平臺等。因此，上述因素有助于描述所捕獲的場景，可以被描述為“模態”。顯然，多模態遙感數據融合包括多源數據融合和多時數據融合。

一些典型的RS模態包括Pan、MS、HS、LiDAR、SAR、紅外、夜間燈光和衛星視頻數據。最近，GBD作為RS家族的新成員，在EO任務中受到越來越多的關注。為了整合這些模態提供的互補信息，傳統方法已經被深入研究，基于領域特定知識設計手工特征和利用粗糙融合策略，這不可避免地削弱了融合性能，特別是對于異構數據(Hong et al., 2021a)。隨著人工智能的發展，數字學習通過自適應的自動實現特征提取和融合，在為輸入和輸出數據之間的復雜關系建模方面顯示出巨大的潛力。因此，本文將重點介紹在每個融合子領域提出的方法，并簡要介紹每個模態和相關任務。 目前，有一些關于多模態數據融合的文獻綜述，根據不同的模態融合，綜述如表2所示。現有文獻對多模態遙感數據融合的發展方向關注較少，或只涉及少數子領域，缺乏對這一主題的全面、系統的描述。本研究的目的是全面回顧基于數據挖掘的多模態遙感數據融合研究的熱點領域，進一步推動和促進這一新興領域的相關研究。第二節收集和分析了與本課題相關的文獻，第三節闡述了多模態RS數據融合的代表性子領域。在第四節中，給出了一些有用的教程、數據集和代碼。最后，第五節提供了關于挑戰和前景的評論。為方便讀者，表1列出了本文使用的主要縮寫。

本文將現有的融合方法分為兩大類，即同質融合和異質融合。同質融合包括pansharpening、HS pansharpening、HS- ms和時空融合，異構融合包括HS-optical融合、SAR-optical融合和RS-GBD融合。由于上述子領域的發展差異很大，因此采用不同的標準來引入每個子領域，如圖5所示。為了方便讀者，我們還在每個方向列出了一些經典文獻。

日益增多的多模態遙感數據對地觀任務既是挑戰，也是機遇。近年來，雙方共同利用優勢互補的特點，取得了重大突破。特別是與人工智能相關的技術，由于其在特征提取方面的優勢，已經顯示出其相對于傳統方法的優勢。在上述遙感大數據和前沿工具的推動下，基于深度學習的遙感多模態數據融合成為遙感領域的一個重要課題。因此，本文對這一快速發展的研究領域進行了全面的介紹，包括文獻分析、系統總結了遙感融合研究的幾個主要子領域、現有的研究資源，并對未來的發展進行了展望。具體來說，我們重點研究了第二部分，即不同融合子領域中基于深度學習的方法，并從使用的模型、任務和數據類型等方面進行了詳細的研究。最后，令人鼓舞的是，近年來DL已經應用到多模態遙感數據融合的各個領域，并取得了巨大而有前景的成果，這為研究者今后進行深入研究提供了更多的信心。

移動增強現實(AR)借助智能移動終端將虛擬信息和真實世界進行實時融合，能否實時準確地對 環境中需要增強的物體進行目標檢測直接決定了系統的性能。隨著深度學習的快速發展，近年來出現了大量的 基于深度學習的目標檢測方法。由于存在移動增強設備計算能力有限、能耗大、模型尺寸大以及卸載任務到邊 緣云端的網絡延遲嚴重等問題，將深度學習方法應用于移動 AR 的目標檢測是一項具有挑戰性的問題。首先從 Two stage 和 One stage 的 2 方面對目前深度學習目標檢測算法進行綜述；然后對面向移動 AR 的目標檢測系統 架構進行歸納分類，分析了基于本地端、云端或邊緣端和協作式的移動 AR 目標檢測系統并總結了各自的優勢 和局限性；最后對移動 AR 中目標檢測亟待解決的問題和未來發展方向進行了展望和預測。

//www.txxb.com.cn/CN/10.11996/JG.j.2095-302X.2021040525

目標檢測是一種廣泛應用于工業控制、航空航天等安全攸關場景的重要技術。近年來，隨著深度學習在目標檢 測領域的應用，檢測的精度得到了較大提升，但由于深度學習固有的脆弱性，使得基于深度學習的目標檢測技術的可靠性 和安全性面臨新的挑戰。本文通過對近幾年面向目標檢測的對抗樣本生成及防御的研究進行分析和總結，致力于為增強目 標檢測模型的魯棒性和提出更好的防御策略提供思路。首先，介紹了對抗樣本的概念、產生原因以及目標檢測領域對抗樣 本生成常用的評價指標和數據集。然后根據對抗樣本生成的擾動范圍將攻擊分為全局擾動攻擊和局部擾動攻擊。在這個分 類基礎上，又分別從攻擊的目標檢測器類型、損失函數設計等六個方面對目標檢測的對抗樣本生成方法進行了分析和總結， 并通過實驗對比了幾種典型目標檢測對抗攻擊方法的性能，同時比較了這幾種方法的跨模型的遷移攻擊能力。此外，本文 還對目前目標檢測領域常用的對抗防御策略進行了分析和歸納。最后，總結了目標檢測領域對抗樣本的生成及防御所面臨 的挑戰，并對未來發展方向做出了展望。

//www.cjig.cn/jig/ch/reader/download_new_edit_content.aspx?edit_id=202001&file_no=2024&journal_id=jig

小目標檢測一直是目標檢測領域中的熱點和難點，其主要挑戰是小目標像素少，難以提取有效的特征信息.近年來，隨著深度學習理論和技術的快速發展，基于深度學習的小目標檢測取得了較大進展，研究者從網絡結構、訓練策略、數據處理等方面入手，提出了一系列用于提高小目標檢測性能的方法.該文對基于深度學習的小目標檢測方法進行詳細綜述，按照方法原理將現有的小目標檢測方法分為基于多尺度預測、基于數據增強技術、基于提高特征分辨率、基于上下文信息，以及基于新的主干網絡和訓練策略等5類方法，全面分析總結基于深度學習的小目標檢測方法的研究現狀和最新進展，對比分析這些方法的特點和性能，并介紹常用的小目標檢測數據集.在總體梳理小目標檢測方法的研究進展的基礎上，對未來的研究方向進行展望.

//journal.bjut.edu.cn/article/2021/0254-0037/20210310.html

基于圖像的三維重建,旨在從一組二維多視角圖像精確地恢復真實場景的幾何形狀,是計算機視覺和攝影測量中一個基礎且活躍的研究領域,具有重要的理論研究意義和應用價值,在智慧城市、虛擬旅游、數字遺產保護、數字地圖和導航等領域有著廣泛的應用。近年來,隨著圖像采集系統(包括智能手機、消費級數碼相機、民用無人機)的普及和互聯網的高速發展,用戶可以通過搜索引擎(例如谷歌)輕松獲取大量的關于某個室外場景的互聯網圖像。如何利用這些圖像進行高效、魯棒、準確的三維重建,為用戶提供真實感知和沉浸式體驗,已經成為研究熱點,引發了學術界和產業界的廣泛關注,現已涌現多種多樣的解決方法。特別地,深度學習的出現為大規模室外圖像三維重建的研究提供了新的契機。本文首先闡述大規模室外圖像三維重建的基本串行過程,包括圖像檢索、圖像特征點匹配、運動恢復結構、多視圖立體。然后,本文將區分傳統方法和基于深度學習的方法,系統而全面地回顧大規模室外圖像三維重建技術在各個重建子過程中的發展和應用。之后,本文詳細總結各個子過程中適用于大規模室外場景的數據集和評價指標。最后,本文將介紹現有主流的開源和商業三維重建系統以及國內相關產業的發展現狀。

//www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=2020&journal_id=jig