基于深度学习的遥感图像舰船目标检测算法综述

徐芳 ， 刘晶红 ， 孙辉 ， 等 . 光学遥感图像海面船舶目标检测技术进展 ［J］. 光学 精密工程 ， 2021 ， 29 （ 4 ）： 916 - 931 . doi: 10.37188/OPE.2020.0419 http://dx.doi.org/10.37188/OPE.2020.0419

XU F ， LIU J H ， SUN H ， et al . Research progress on vessel detection using optical remote sensing image ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 4 ）： 916 - 931 . （in Chinese） . doi: 10.37188/OPE.2020.0419 http://dx.doi.org/10.37188/OPE.2020.0419

王彦情 ， 马雷 ， 田原 . 光学遥感图像舰船目标检测与识别综述 ［J］. 自动化学报 ， 2011 ， 37 （ 9 ）： 1029 - 1039 . doi: 10.3724/SP.J.1004.2011.01029 http://dx.doi.org/10.3724/SP.J.1004.2011.01029

WANG Y Q ， MA L ， TIAN Y . Overview of ship target detection and recognition in optical remote sensing images ［J］. Acta Automatica Sinica ， 2011 ， 37 （ 9 ）： 1029 - 1039 . （in Chinese） . doi: 10.3724/SP.J.1004.2011.01029 http://dx.doi.org/10.3724/SP.J.1004.2011.01029

LOWE D G . Distinctive image features from scale-invariant keypoints ［J］. International Journal of Computer Vision ， 2004 ， 60 （ 2 ）： 91 - 110 . doi: 10.1023/b:visi.0000029664.99615.94 http://dx.doi.org/10.1023/b:visi.0000029664.99615.94

DALAL N ， TRIGGS B . Histograms of oriented gradients for human detection ［C］. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）. 20-25，2005 ， San Diego， CA， USA. IEEE ， 2005 ： 886 - 893 . doi: 10.1109/cvpr.2005.4 http://dx.doi.org/10.1109/cvpr.2005.4

范丽丽 ， 赵宏伟 ， 赵浩宇 ， 等 . 基于深度卷积神经网络的目标检测研究综述 ［J］. 光学 精密工程 ， 2020 ， 28 （ 5 ）： 1152 - 1164 .

FAN L L ， ZHAO H W ， ZHAO H Y ， et al . Survey of target detection based on deep convolutional neural networks ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 5 ）： 1152 - 1164 . （in Chinese）

GIRSHICK R ， DONAHUE J ， DARRELL T ， et al . Rich feature hierarchies for accurate object detection and semantic segmentation ［C］. Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition . New York ： ACM ， 2014 ： 580 - 587 . doi: 10.1109/cvpr.2014.81 http://dx.doi.org/10.1109/cvpr.2014.81

EVERINGHAM M ， ESLAMI S M ， GOOL L ， et al . The pascal visual object classes challenge： a retrospective ［J］. International Journal of Computer Vision ， 2015 ， 111 （ 1 ）： 98 - 136 . doi: 10.1007/s11263-014-0733-5 http://dx.doi.org/10.1007/s11263-014-0733-5

HE K M ， ZHANG X Y ， REN S Q ， et al . Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2015 ， 37 （ 9 ）： 1904 - 1916 . doi: 10.1109/tpami.2015.2389824 http://dx.doi.org/10.1109/tpami.2015.2389824

EVERINGHAM M ， GOOL L ， WILLIAMS C K ， et al . The pascal visual object classes （VOC） challenge ［J］. International Journal of Computer Vision ， 2010 ， 88 （ 2 ）： 303 - 338 . doi: 10.1007/s11263-009-0275-4 http://dx.doi.org/10.1007/s11263-009-0275-4

GIRSHICK R . Fast R-CNN ［C］. 2015 IEEE International Conference on Computer Vision （ICCV）. 7-13，2015 ， Santiago， Chile. IEEE ， 2016 ： 1440 - 1448 . doi: 10.1109/iccv.2015.169 http://dx.doi.org/10.1109/iccv.2015.169

SIMONYAN K ， ZISSERMAN A . Very deep convolutional networks for large-scale image recognition ［EB/OL］. 2014 ： arXiv ： 1409 . 1556 . https：//arxiv.org/abs/1409.1556 https://arxiv.org/abs/1409.1556 .

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： towards real-time object detection with region proposal networks ［C］. Proceedings of the 28th International Conference on Neural Information Processing Systems-Volume 1. 7-12， 2015 ， Montreal， Canada. New York ： ACM ， 2015 ： 91 - 99 .

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You only look once： unified， real-time object detection ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 27-30，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 779 - 788 . doi: 10.1109/cvpr.2016.91 http://dx.doi.org/10.1109/cvpr.2016.91

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD ： Single Shot MultiBox Detector ［M］. Computer Vision - ECCV 2016 . Cham ： Springer International Publishing ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

REDMON J ， FARHADI A . YOLO9000： better， faster， stronger ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 21-26， 2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 6517 - 6525 . doi: 10.1109/cvpr.2017.690 http://dx.doi.org/10.1109/cvpr.2017.690

REDMON J ， FARHADI A . YOLOv3： an incremental improvement ［EB/OL］. 2018 ： arXiv ： 1804 . 02767 . https：//arxiv.org/abs/1804.02767 https://arxiv.org/abs/1804.02767 . doi: 10.1109/cvpr.2017.690 http://dx.doi.org/10.1109/cvpr.2017.690

LIN T Y ， MAIRE M ， BELONGIE S ， et al . Microsoft COCO ： Common Objects in Context ［M］. Computer Vision-ECCV 2014 . Cham ： Springer International Publishing ， 2014 ： 740 - 755 . doi: 10.1007/978-3-319-10602-1_48 http://dx.doi.org/10.1007/978-3-319-10602-1_48

BOCHKOVSKIY A ， WANG C Y ， LIAO H Y M . YOLOv4： optimal speed and accuracy of object detection ［EB/OL］. 2020 ： arXiv ： 2004 . 10934 . https：//arxiv.org/abs/2004.10934 https://arxiv.org/abs/2004.10934 .

ULTRALYTICS . YOLOv5 ［EB/OL］. （ 2020-06-03 ） ［ 2022-12-01 ］. https：//github.com/ultralytics/yolov5 https://github.com/ultralytics/yolov5 . doi: 10.1117/1.jei.31.3.033033 http://dx.doi.org/10.1117/1.jei.31.3.033033

LAW H ， DENG J . CornerNet ： Detecting Objects as Paired Keypoints ［M］. Computer Vision - ECCV 2018 . Cham ： Springer International Publishing ， 2018 ： 765 - 781 . doi: 10.1007/978-3-030-01264-9_45 http://dx.doi.org/10.1007/978-3-030-01264-9_45

ZHOU X ， WANG D ， KRÄHENBÜHL P . Objects as points ［EB/OL］. 2019 ： arXiv ： 1904 . 07850 . https：//arxiv.org/abs/1904.07850 https://arxiv.org/abs/1904.07850 . doi: 10.1090/mbk/121/79 http://dx.doi.org/10.1090/mbk/121/79

ZHU C C ， HE Y H ， SAVVIDES M . Feature selective anchor-free module for single-shot object detection ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 15-20， 2019 ， Long Beach， CA， USA. IEEE ， 2020 ： 840 - 849 . doi: 10.1109/cvpr.2019.00093 http://dx.doi.org/10.1109/cvpr.2019.00093

TIAN Z ， SHEN C H ， CHEN H ， et al . FCOS： fully convolutional one-stage object detection ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. 27-2， 2019 ， Seoul， Korea （South）. IEEE ， 2020 ： 9626 - 9635 . doi: 10.1109/iccv.2019.00972 http://dx.doi.org/10.1109/iccv.2019.00972

杨阳 . 基于深度学习的遥感图像舰船目标检测与分类识别 ［D］. 武汉 ： 华中科技大学 ， 2019 .

YANG Y . Ship Target Detection and Classification in Remote Sensing Images Based on Deep Learning ［D］. Wuhan ： Huazhong University of Science and Technology ， 2019 . （in Chinese）

NINA W ， CONDORI W ， MACHACA V ， et al . Small Ship Detection on Optical Satellite Imagery with YOLO and YOLT ［M］. Advances in Intelligent Systems and Computing . Cham ： Springer International Publishing ， 2020 ： 664 - 677 . doi: 10.1007/978-3-030-39442-4_49 http://dx.doi.org/10.1007/978-3-030-39442-4_49

王楠 . 基于深度学习的舰船检测识别 ［D］. 哈尔滨 ： 哈尔滨工业大学 ， 2019 .

WANG N . Ship Detection and Recognition Based on Deep Learning ［D］. Harbin ： Harbin Institute of Technology ， 2019 . （in Chinese）

AL-SAAD M ， ABURAED N ， PANTHAKKAN A ， et al . Airbus ship detection from satellite imagery using frequency domain learning ［C］. Proc SPIE 11862， Image and Signal Processing for Remote Sensing XXVII ， 2021 ， 11862 ： 279 - 285 . doi: 10.1117/12.2600168 http://dx.doi.org/10.1117/12.2600168

LI Q P ， MOU L C ， LIU Q J ， et al . HSF-net： multiscale deep feature embedding for ship detection in optical remote sensing imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2018 ， 56 （ 12 ）： 7147 - 7161 . doi: 10.1109/tgrs.2018.2848901 http://dx.doi.org/10.1109/tgrs.2018.2848901

LIU S ， KONG W ， CHEN X ， et al . Multi-scale ship detection algorithm based on a lightweight neural network for spaceborne SAR images ［J］. Remote Sensing ， 2022 ， 14 （ 5 ）： 1149 . doi: 10.3390/rs14051149 http://dx.doi.org/10.3390/rs14051149

HUANG G ， LIU Z ， VAN DER MAATEN L ， et al . Densely connected convolutional networks ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 21-26，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 2261 - 2269 . doi: 10.1109/cvpr.2017.243 http://dx.doi.org/10.1109/cvpr.2017.243

JIAO J ， ZHANG Y ， SUN H ， et al . A densely connected end-to-end neural network for multiscale and multiscene SAR ship detection ［J］. IEEE Access ， 2018 ， 6 ： 20881 - 20892 . doi: 10.1109/access.2018.2825376 http://dx.doi.org/10.1109/access.2018.2825376

TIAN L ， CAO Y ， HE B K ， et al . Image enhancement driven by object characteristics and dense feature reuse network for ship target detection in remote sensing imagery ［J］. Remote Sensing ， 2021 ， 13 （ 7 ）： 1327 . doi: 10.3390/rs13071327 http://dx.doi.org/10.3390/rs13071327

LIN T Y ， DOLLÁR P ， GIRSHICK R ， et al . Feature pyramid networks for object detection ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 21-26，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 936 - 944 . doi: 10.1109/cvpr.2017.106 http://dx.doi.org/10.1109/cvpr.2017.106

LIU S ， QI L ， QIN H F ， et al . Path aggregation network for instance segmentation ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . 18-23，2018 ， Salt Lake City， UT， USA . IEEE ， 2018 ： 8759 - 8768 . doi: 10.1109/cvpr.2018.00913 http://dx.doi.org/10.1109/cvpr.2018.00913

LIU S ， HUANG D ， WANG Y . Learning spatial fusion for single-shot object detection ［EB/OL］. 2019 ： arXiv ： 1911 . 09516 . https：//arxiv.org/abs/1911.09516 https://arxiv.org/abs/1911.09516 .

CHEN L C ， PAPANDREOU G ， KOKKINOS I ， et al . DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2018 ， 40 （ 4 ）： 834 - 848 . doi: 10.1109/tpami.2017.2699184 http://dx.doi.org/10.1109/tpami.2017.2699184

ZHANG T W ， ZHANG X L ， KE X . Quad-FPN： a novel quad feature pyramid network for SAR ship detection ［J］. Remote Sensing ， 2021 ， 13 （ 14 ）： 2771 . doi: 10.3390/rs13142771 http://dx.doi.org/10.3390/rs13142771

QING Y H ， LIU W Y ， FENG L Y ， et al . Improved YOLO network for free-angle remote sensing target detection ［J］. Remote Sensing ， 2021 ， 13 （ 11 ）： 2171 . doi: 10.3390/rs13112171 http://dx.doi.org/10.3390/rs13112171

CHEN C ， HE C ， HU C H ， et al . A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios ［J］. IEEE Access ， 2019 ， 7 ： 104848 - 104863 . doi: 10.1109/access.2019.2930939 http://dx.doi.org/10.1109/access.2019.2930939

ZHANG X H ， WANG H P ， XU C A ， et al . A lightweight feature optimizing network for ship detection in SAR image ［J］. IEEE Access ， 2019 ， 7 ： 141662 - 141678 . doi: 10.1109/access.2019.2943241 http://dx.doi.org/10.1109/access.2019.2943241

QU Z F ， ZHU F Z ， QI C X . Remote sensing image target detection： improvement of the YOLOv3 model with auxiliary networks ［J］. Remote Sensing ， 2021 ， 13 （ 19 ）： 3908 . doi: 10.3390/rs13193908 http://dx.doi.org/10.3390/rs13193908

CHENG G ， LANG C B ， WU M X ， et al . Feature enhancement network for object detection in optical remote sensing images ［J］. Journal of Remote Sensing ， 2021 ， 2021 ： 9805389 . doi: 10.34133/2021/9805389 http://dx.doi.org/10.34133/2021/9805389

CHENG G ， ZHOU P C ， HAN J W . Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2016 ， 54 （ 12 ）： 7405 - 7415 . doi: 10.1109/tgrs.2016.2601622 http://dx.doi.org/10.1109/tgrs.2016.2601622

LI K ， CHENG G ， BU S H ， et al . Rotation-insensitive and context-augmented object detection in remote sensing images ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2018 ， 56 （ 4 ）： 2337 - 2348 . doi: 10.1109/tgrs.2017.2778300 http://dx.doi.org/10.1109/tgrs.2017.2778300

HONG Z H ， YANG T ， TONG X H ， et al . Multi-scale ship detection from SAR and optical imagery via A more accurate YOLOv3 ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2021 ， 14 ： 6083 - 6101 . doi: 10.1109/jstars.2021.3087555 http://dx.doi.org/10.1109/jstars.2021.3087555

BODLA N ， SINGH B ， CHELLAPPA R ， et al . Soft-NMS-improving object detection with one line of code ［C］. 2017 IEEE International Conference on Computer Vision （ICCV）. 22-29，2017 ， Venice， Italy. IEEE ， 2017 ： 5562 - 5570 . doi: 10.1109/iccv.2017.593 http://dx.doi.org/10.1109/iccv.2017.593

YANG X ， SUN H ， FU K ， et al . Automatic ship detection in remote sensing images from google earth of complex scenes based on multiscale rotation dense feature pyramid networks ［J］. Remote Sensing ， 2018 ， 10 （ 1 ）： 132 . doi: 10.3390/rs10010132 http://dx.doi.org/10.3390/rs10010132

KOO J ， SEO J ， JEON S ， et al . RBox-CNN： rotated bounding box based CNN for ship detection in remote sensing image ［C］. Proceedings of the 26th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 6-9，2018 ， Seattle， Washington. New York ： ACM ， 2018 ： 420 - 423 . doi: 10.1145/3274895.3274915 http://dx.doi.org/10.1145/3274895.3274915

黎经元 . 不同分辨率可见光遥感图像的舰船目标检测识别方法研究 ［D］. 杭州 ： 浙江大学 ， 2021 . doi: 10.1016/j.cja.2020.09.022 http://dx.doi.org/10.1016/j.cja.2020.09.022

LI J Y . Research on Detection and Recognition of Ship Targets from Visible Remote Sensing Images with Different Resolutions ［D］. Hangzhou ： Zhejiang University ， 2021 . （in Chinese） . doi: 10.1016/j.cja.2020.09.022 http://dx.doi.org/10.1016/j.cja.2020.09.022

陈俊 . 基于R-YOLO的多源遥感图像海面目标融合检测算法研究 ［D］. 武汉 ： 华中科技大学 ， 2019 .

CHEN J . Research on Fusion Detection Algorithm of Sea Surface Target in Multi - Source Remote Sensing Images based on R - YOLO ［D］. Wuhan ： Huazhong University of Science and Technology ， 2019 . （in Chinese）

YANG X ， YAN J C . Arbitrary - Oriented Object Detection with Circular Smooth Label ［M］. Computer Vision-ECCV 2020 . Cham ： Springer International Publishing ， 2020 ： 677 - 694 . doi: 10.1007/978-3-030-58598-3_40 http://dx.doi.org/10.1007/978-3-030-58598-3_40

SU N ， HUANG Z B ， YAN Y M ， et al . Detect larger at once： large-area remote-sensing image arbitrary-oriented ship detection ［J］. IEEE Geoscience and Remote Sensing Letters ， 2022 ， 19 ： 1 - 5 . doi: 10.1109/lgrs.2022.3144485 http://dx.doi.org/10.1109/lgrs.2022.3144485

SUN Z Z ， DAI M C ， LENG X G ， et al . An anchor-free detection method for ship targets in high-resolution SAR images ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2021 ， 14 ： 7799 - 7816 . doi: 10.1109/jstars.2021.3099483 http://dx.doi.org/10.1109/jstars.2021.3099483

WANG X Y ， CUI Z Y ， CAO Z J ， et al . Dense docked ship detection via spatial group-wise enhance attention in SAR images ［C］. IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium . 26-2， 2020 ， Waikoloa ， HI， USA . IEEE ， 2021 ： 1244 - 1247 . doi: 10.1109/igarss39084.2020.9324162 http://dx.doi.org/10.1109/igarss39084.2020.9324162

CUI Z Y ， LENG J X ， LIU Y ， et al . SKNet： detecting rotated ships as keypoints in optical remote sensing images ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2021 ， 59 （ 10 ）： 8826 - 8840 . doi: 10.1109/tgrs.2021.3053311 http://dx.doi.org/10.1109/tgrs.2021.3053311

CHEN J J ， XIE F Y ， LU Y Y ， et al . Finding arbitrary-oriented ships from remote sensing images using corner detection ［J］. IEEE Geoscience and Remote Sensing Letters ， 2020 ， 17 （ 10 ）： 1712 - 1716 . doi: 10.1109/lgrs.2019.2954199 http://dx.doi.org/10.1109/lgrs.2019.2954199

WEN R ， LIU ， . An enhanced CNN-enabled learning method for promoting ship detection in maritime surveillance system ［J］. Ocean Engineering ， 2021 ， 235 ： 109435 . doi: 10.1016/j.oceaneng.2021.109435 http://dx.doi.org/10.1016/j.oceaneng.2021.109435

WANG Z Q ， ZHOU Y ， WANG F T ， et al . SDGH-net： ship detection in optical remote sensing images based on Gaussian heatmap regression ［J］. Remote Sensing ， 2021 ， 13 （ 3 ）： 499 . doi: 10.3390/rs13030499 http://dx.doi.org/10.3390/rs13030499

YOU Y N ， LI Z Z ， RAN B H ， et al . Broad area target search system for ship detection via deep convolutional neural network ［J］. Remote Sensing ， 2019 ， 11 （ 17 ）： 1965 . doi: 10.3390/rs11171965 http://dx.doi.org/10.3390/rs11171965

SHIN H C ， LEE K I ， LEE C E . Data augmentation method of object detection for deep learning in maritime image ［C］. 2020 IEEE International Conference on Big Data and Smart Computing （BigComp）. 19-22，2020 ， Busan， Korea （South）. IEEE ， 2020 ： 463 - 466 . doi: 10.1109/bigcomp48618.2020.00-25 http://dx.doi.org/10.1109/bigcomp48618.2020.00-25

HU J Q ， HE J Z ， JIANG P ， et al . SOMC： a object-level data augmentation for sea surface object detection ［J］. Journal of Physics： Conference Series ， 2022 ， 2171 （ 1 ）： 012033 . doi: 10.1088/1742-6596/2171/1/012033 http://dx.doi.org/10.1088/1742-6596/2171/1/012033

ZHIJUN ， CHEN . Deep learning for autonomous ship-oriented small ship detection ［J］. Safety Science ， 2020 ， 130 ： 104812 . doi: 10.1016/j.ssci.2020.104812 http://dx.doi.org/10.1016/j.ssci.2020.104812

KONG T ， YAO A B ， CHEN Y R ， et al . HyperNet： towards accurate region proposal generation and joint object detection ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 27-30，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 845 - 853 . doi: 10.1109/cvpr.2016.98 http://dx.doi.org/10.1109/cvpr.2016.98

WEI S H ， CHEN H M ， ZHU X J ， et al . Ship detection in remote sensing image based on faster R-CNN with dilated convolution ［C］. 2020 39th Chinese Control Conference （CCC）. 27-29，2020 ， Shenyang， China. IEEE ， 2020 ： 7148 - 7153 . doi: 10.23919/ccc50068.2020.9189467 http://dx.doi.org/10.23919/ccc50068.2020.9189467

ZHANG S M ， WU R Z ， XU K Y ， et al . R-CNN-based ship detection from high resolution remote sensing imagery ［J］. Remote Sensing ， 2019 ， 11 （ 6 ）： 631 . doi: 10.3390/rs11060631 http://dx.doi.org/10.3390/rs11060631

LIU W C ， MA L ， CHEN H . Arbitrary-oriented ship detection framework in optical remote-sensing images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2018 ， 15 （ 6 ）： 937 - 941 . doi: 10.1109/lgrs.2018.2813094 http://dx.doi.org/10.1109/lgrs.2018.2813094

CAO C Q ， WU J ， ZENG X D ， et al . Research on airplane and ship detection of aerial remote sensing images based on convolutional neural network ［J］. Sensors ， 2020 ， 20 （ 17 ）： 4696 . doi: 10.3390/s20174696 http://dx.doi.org/10.3390/s20174696

王浩君 . 基于深度学习的光学遥感影像海上舰船目标检测研究 ［D］. 杭州 ： 杭州师范大学 ， 2019 . doi: 10.1109/igarss.2019.8898759 http://dx.doi.org/10.1109/igarss.2019.8898759

WANG H J . Research on Ship Target Detection in Optical Remote Sensing Images Based on Deep Learning ［D］. Hangzhou ： Hangzhou Normal University ， 2019 . （in Chinese） . doi: 10.1109/igarss.2019.8898759 http://dx.doi.org/10.1109/igarss.2019.8898759

韩子硕 ， 王春平 ， 付强 . 基于深层次特征增强网络的SAR图像舰船检测 ［J］. 北京理工大学学报 ， 2021 ， 41 （ 9 ）： 1006 - 1014 .

HAN Z SH ， WANG CH P ， FU Q . Ship detection in SAR images based on deep feature enhancement network ［J］. Transactions of Beijing Institute of Technology ， 2021 ， 41 （ 9 ）： 1006 - 1014 . （in Chinese）

CHEN L ， SHI W ， DENG D . Improved YOLOv3 based on attention mechanism for fast and accurate ship detection in optical remote sensing images ［J］. Remote Sensing ， 2021 ， 13 （ 4 ）： 660 . doi: 10.3390/rs13040660 http://dx.doi.org/10.3390/rs13040660

NIE X ， DUAN M Y ， DING H X ， et al . Attention mask R-CNN for ship detection and segmentation from remote sensing images ［J］. IEEE Access ， 2020 ， 8 ： 9325 - 9334 . doi: 10.1109/access.2020.2964540 http://dx.doi.org/10.1109/access.2020.2964540

HU J M ， ZHI X Y ， SHI T J ， et al . PAG-YOLO： a portable attention-guided YOLO network for small ship detection ［J］. Remote Sensing ， 2021 ， 13 （ 16 ）： 3059 . doi: 10.3390/rs13163059 http://dx.doi.org/10.3390/rs13163059

DENG L ， LI G Q ， HAN S ， et al . Model compression and hardware acceleration for neural networks： a comprehensive survey ［J］. Proceedings of the IEEE ， 2020 ， 108 （ 4 ）： 485 - 532 . doi: 10.1109/jproc.2020.2976475 http://dx.doi.org/10.1109/jproc.2020.2976475

LIU Z ， LI J G ， SHEN Z Q ， et al . Learning efficient convolutional networks through network slimming ［C］. 2017 IEEE International Conference on Computer Vision （ICCV）. 22-29，2017 ， Venice， Italy. IEEE ， 2017 ： 2755 - 2763 . doi: 10.1109/iccv.2017.298 http://dx.doi.org/10.1109/iccv.2017.298

GUO J Y ， ZHANG W C ， OUYANG W L ， et al . Model compression using progressive channel pruning ［J］. IEEE Transactions on Circuits and Systems for Video Technology ， 2021 ， 31 （ 3 ）： 1114 - 1124 . doi: 10.1109/tcsvt.2020.2996231 http://dx.doi.org/10.1109/tcsvt.2020.2996231

HINTON G ， VINYALS O ， DEAN J . Distilling the knowledge in a neural network ［EB/OL］. 2015 ： arXiv ： 1503 . 02531 . https：//arxiv.org/abs/1503.02531 https://arxiv.org/abs/1503.02531 . doi: 10.5860/choice.189890 http://dx.doi.org/10.5860/choice.189890

ROMERO A ， BALLAS N ， KAHOU S E ， et al . FitNets： hints for thin deep nets ［EB/OL］. 2014 ： arXiv ： 1412 . 6550 . https：//arxiv.org/abs/1412.6550 https://arxiv.org/abs/1412.6550 "

WU J X ， LENG C ， WANG Y H ， et al . Quantized convolutional neural networks for mobile devices ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 27-30，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 4820 - 4828 . doi: 10.1109/cvpr.2016.521 http://dx.doi.org/10.1109/cvpr.2016.521

XU Y H ， DAI W R ， QI Y Y ， et al . Iterative deep neural network quantization with lipschitz constraint ［J］. IEEE Transactions on Multimedia ， 2020 ， 22 （ 7 ）： 1874 - 1888 . doi: 10.1109/tmm.2019.2949857 http://dx.doi.org/10.1109/tmm.2019.2949857

ZHANG F ， LIU Y B ， ZHOU Y S ， et al . A lossless lightweight CNN design for SAR target recognition ［J］. Remote Sensing Letters ， 2020 ， 11 （ 5 ）： 485 - 494 . doi: 10.1080/2150704x.2020.1730472 http://dx.doi.org/10.1080/2150704x.2020.1730472

CHEN H Y ， ZHANG F ， TANG B ， et al . Slim and efficient neural network design for resource-constrained SAR target recognition ［J］. Remote Sensing ， 2018 ， 10 （ 10 ）： 1618 . doi: 10.3390/rs10101618 http://dx.doi.org/10.3390/rs10101618

MA X J ， JI K F ， XIONG B L ， et al . Light-YOLOv4： an edge-device oriented target detection method for remote sensing images ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2021 ， 14 ： 10808 - 10820 . doi: 10.1109/jstars.2021.3120009 http://dx.doi.org/10.1109/jstars.2021.3120009

陈科峻 ， 张叶 . 基于YOLO-v3模型压缩的卫星图像船只实时检测 ［J］. 液晶与显示 ， 2020 ， 35 （ 11 ）： 1168 - 1176 . doi: 10.37188/yjyxs20203511.1168 http://dx.doi.org/10.37188/yjyxs20203511.1168

CHEN K J ， ZHANG Y . Real-time ship detection in satellite images based on YOLO-v3 model compression ［J］. Chinese Journal of Liquid Crystals and Displays ， 2020 ， 35 （ 11 ）： 1168 - 1176 . （in Chinese） . doi: 10.37188/yjyxs20203511.1168 http://dx.doi.org/10.37188/yjyxs20203511.1168

LI Y D ， ZHANG S S ， WANG W Q . A lightweight faster R-CNN for ship detection in SAR images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2022 ， 19 ： 1 - 5 . doi: 10.1109/lgrs.2020.3038901 http://dx.doi.org/10.1109/lgrs.2020.3038901

HUANG H ， SUN D C ， WANG R F ， et al . Ship target detection based on improved YOLO network ［J］. Mathematical Problems in Engineering ， 2020 ， 2020 ： 1 - 10 . doi: 10.1155/2020/6402149 http://dx.doi.org/10.1155/2020/6402149

DING P ， ZHANG Y ， DENG W J ， et al . A light and faster regional convolutional neural network for object detection in optical remote sensing images ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2018 ， 141 ： 208 - 218 . doi: 10.1016/j.isprsjprs.2018.05.005 http://dx.doi.org/10.1016/j.isprsjprs.2018.05.005

ZHOU L ， WEI S Y ， CUI Z M ， et al . Lira-YOLO： a lightweight model for ship detection in radar images ［J］. Journal of Systems Engineering and Electronics ， 2020 ， 31 （ 5 ）： 950 - 956 . doi: 10.23919/jsee.2020.000063 http://dx.doi.org/10.23919/jsee.2020.000063

ZHAO Y ， YIN Y ， GUI G . Lightweight deep learning based intelligent edge surveillance techniques ［J］. IEEE Transactions on Cognitive Communications and Networking ， 2020 ， 6 （ 4 ）： 1146 - 1154 . doi: 10.1109/tccn.2020.2999479 http://dx.doi.org/10.1109/tccn.2020.2999479

VOINOV S ， HEYMANN F ， BILL R ， et al . Multiclass vessel detection from high resolution optical satellite images based on deep neural networks ［C］. IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium . 28-2，2019 ， Yokohama ， Japan . IEEE ， 2019 ： 166 - 169 . doi: 10.1109/igarss.2019.8900506 http://dx.doi.org/10.1109/igarss.2019.8900506

聂婷 . 大幅宽光学遥感图像目标检测技术研究 ［D］. 长春 ： 中国科学院长春光学精密机械与物理研究所 ， 2019 .

NIE T . Research on Target Detection Technology of Large - Width Optical Remote Sensing Image ［D］. Changchun ： Changchun Institute of Optics， Fine Mechanics and Physics， Chinese Academy of Sciences ， 2019 . （in Chinese）

VAN ETTEN A . You only look twice： rapid multi-scale object detection in satellite imagery ［EB/OL］. 2018 ： arXiv ： 1805 . 09512 . https：//arxiv.org/abs/1805.09512 https://arxiv.org/abs/1805.09512 . doi: 10.1109/wacv.2019.00083 http://dx.doi.org/10.1109/wacv.2019.00083

XIA G S ， BAI X ， DING J ， et al . DOTA： a large-scale dataset for object detection in aerial images ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . 18-23， 2018 ， Salt Lake City， UT， USA . IEEE ， 2018 ： 3974 - 3983 . doi: 10.1109/cvpr.2018.00418 http://dx.doi.org/10.1109/cvpr.2018.00418

LIU Z K ， YUAN L ， WENG L B ， et al . A high resolution optical satellite image dataset for ship recognition and some new baselines ［C］. Proceedings of the 6th International Conference on Pattern Recognition Applications and Methods. February 24 - 26 ， 2017 . Porto， Portugal. SCITEPRESS-Science and Technology Publications ， 2017 ， 2 ： 324 - 331 .

CHENG G ， HAN J ， ZHOU P ， et al . Multi-class geospatial object detection and geographic image classification based on collection of part detectors ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2014 ， 98 ： 119 - 132 . doi: 10.1016/j.isprsjprs.2014.10.002 http://dx.doi.org/10.1016/j.isprsjprs.2014.10.002

AIRBUS ， Airbus Ship Detection Challenge . Kaggle ［EB/OL］. （ 2018-07-30 ） ［ 2022-08-30 ］ https：//www.kaggle.com/c/airbus-ship-detection https://www.kaggle.com/c/airbus-ship-detection .

GALLEGO A J ， PERTUSA A ， GIL P . Automatic ship classification from optical aerial images with convolutional neural networks ［J］. Remote Sensing ， 2018 ， 10 （ 4 ）： 511 . doi: 10.3390/rs10040511 http://dx.doi.org/10.3390/rs10040511

CHEN K ， WU M ， LIU J ， et al . FGSD： a dataset for fine-grained ship detection in high resolution satellite images ［EB/OL］. 2020 ： arXiv ： 2003 . 06832 . https：//arxiv.org/abs/2003.06832 https://arxiv.org/abs/2003.06832 .

KE ， LI . Object detection in optical remote sensing images： a survey and a new benchmark ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2020 ， 159 ： 296 - 307 . doi: 10.1016/j.isprsjprs.2019.11.023 http://dx.doi.org/10.1016/j.isprsjprs.2019.11.023

姚力波 ， 张筱晗 ， 吕亚飞 ， 等 . FGSC-23： 面向深度学习精细识别的高分辨率光学遥感图像舰船目标数据集 ［J］. 中国图象图形学报 ， 2021 ， 26 （ 10 ）： 2337 - 2345 .

YAO L B ， ZHANG X H ， LÜ Y F ， et al . FGSC-23： a large-scale dataset of high-resolution optical remote sensing image for deep learning-based fine-grained ship recognition ［J］. Journal of Image and Graphics ， 2021 ， 26 （ 10 ）： 2337 - 2345 . （in Chinese）

LI J W ， QU C W ， SHAO J Q . Ship detection in SAR images based on an improved faster R-CNN ［C］. 2017 SAR in Big Data Era： Models， Methods and Applications （BIGSARDATA）. 13-14，2017 ， Beijing， China. IEEE ， 2017 ： 1 - 6 . doi: 10.1109/bigsardata.2017.8124934 http://dx.doi.org/10.1109/bigsardata.2017.8124934

WANG Y Y ， WANG C ， ZHANG H ， et al . A SAR dataset of ship detection for deep learning under complex backgrounds ［J］. Remote Sensing ， 2019 ， 11 （ 7 ）： 765 . doi: 10.3390/rs11070765 http://dx.doi.org/10.3390/rs11070765

孙显 ， 王智睿 ， 孙元睿 ， 等 . AIR-SARShip-1.0： 高分辨率SAR舰船检测数据集 ［J］. 雷达学报 ， 2019 ， 8 （ 6 ）： 852 - 862 .

SUN X ， WANG ZH R ， SUN Y R ， et al . AIR-SARShip-1.0： high-resolution SAR ship detection dataset ［J］. Journal of Radars ， 2019 ， 8 （ 6 ）： 852 - 862 . （in Chinese）

WEI S J ， ZENG X F ， QU Q Z ， et al . HRSID： a high-resolution SAR images dataset for ship detection and instance segmentation ［J］. IEEE Access ， 2020 ， 8 ： 120234 - 120254 . doi: 10.1109/access.2020.3005861 http://dx.doi.org/10.1109/access.2020.3005861

PARK K A ， PARK J J ， JANG J C ， et al . Multi-spectral ship detection using optical， hyperspectral， and microwave SAR remote sensing data in coastal regions ［J］. Sustainability ， 2018 ， 10 （ 11 ）： 4064 . doi: 10.3390/su10114064 http://dx.doi.org/10.3390/su10114064

李树涛 ， 李聪妤 ， 康旭东 . 多源遥感图像融合发展现状与未来展望 ［J］. 遥感学报 ， 2021 ， 25 （ 1 ）： 148 - 166 . doi: 10.11834/jrs.20210259 http://dx.doi.org/10.11834/jrs.20210259

LI SH T ， LI C Y ， KANG X D . Development status and future prospects of multi-source remote sensing image fusion ［J］. Journal of Remote Sensing ， 2021 ， 25 （ 1 ）： 148 - 166 . （in Chinese） . doi: 10.11834/jrs.20210259 http://dx.doi.org/10.11834/jrs.20210259

SHRIVASTAVA A ， GUPTA A ， GIRSHICK R . Training region-based object detectors with online hard example mining ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 27-30，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 761 - 769 . doi: 10.1109/cvpr.2016.89 http://dx.doi.org/10.1109/cvpr.2016.89

ZHOU Z H . A brief introduction to weakly supervised learning ［J］. National Science Review ， 2018 ， 5 （ 1 ）： 44 - 53 . doi: 10.1093/nsr/nwx106 http://dx.doi.org/10.1093/nsr/nwx106

YANG Y ， PAN Z X ， HU Y X ， et al . PistonNet： object separating from background by attention for weakly supervised ship detection ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2022 ， 15 ： 5190 - 5202 . doi: 10.1109/jstars.2022.3184637 http://dx.doi.org/10.1109/jstars.2022.3184637

ELSKEN T ， METZEN J H ， HUTTER F . Neural Architecture Search ［M］. Automated Machine Learning . Cham ： Springer International Publishing ， 2019 ： 63 - 77 . doi: 10.1007/978-3-030-05318-5_3 http://dx.doi.org/10.1007/978-3-030-05318-5_3

WANG X ， WANG G ， DANG Q ， et al . PP-YOLOE-R： an efficient anchor-free rotated object detector ［EB/OL］. 2022 ： arXiv ： 2211 . 02386 . https：//arxiv.org/abs/2211.02386 https://arxiv.org/abs/2211.02386 .

CARION N ， MASSA F ， SYNNAEVE G ， et al . End - to - end object detection with transformers ［M］. Computer Vision-ECCV 2020 . Cham ： Springer International Publishing ， 2020 ： 213 - 229 . doi: 10.1007/978-3-030-58452-8_13 http://dx.doi.org/10.1007/978-3-030-58452-8_13

ZHANG Y N ， ER M J ， GAO W X ， et al . High performance ship detection via transformer and feature distillation ［C］. 2022 5th International Conference on Intelligent Autonomous Systems （ICoIAS）. 23-25，2022 ， Dalian， China. IEEE ， 2022 ： 31 - 36 . doi: 10.1109/icoias56028.2022.9931223 http://dx.doi.org/10.1109/icoias56028.2022.9931223

CHEN Y Y ， XIA Z H ， LIU J ， et al . TSDet： end-to-end method with transformer for SAR ship detection ［C］. 2022 International Joint Conference on Neural Networks （IJCNN）. 18-23，2022 ， Padua， Italy. IEEE ， 2022 ： 1 - 8 . doi: 10.1109/ijcnn55064.2022.9891879 http://dx.doi.org/10.1109/ijcnn55064.2022.9891879