深度学习主流目标检测网络模型加遥感目标数据集汇总

首先介绍一下深度学习主流目标检测网络模型，如下：

• R-CNN (Rich feature hierarchies for accurate object detection and semantic segmentation)

• 利用selective search提取候选框,然后利用CNN进行特征提取,最后SVM分类

• 训练和预测都非常慢。论文链接:https://arxiv.org/abs/1311.2524

1. 
   

2. Fast R-CNN

• 利用ROI pooling对特征图进行提取

• 可以端到端训练,但仍然比较慢。论文链接:https://arxiv.org/abs/1504.08083
  

• 论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
• 描述：Faster R-CNN引入了区域提议网络（RPN），它结合了深度卷积神经网络（CNN）和候选目标区域的生成，然后使用RoI池化来进行目标分类和边界框回归。这个方法在速度和精度上取得了显著的改进。

• 论文：YOLO: You Only Look Once
• 描述：YOLO是一种实时目标检测模型，它通过将目标检测问题转化为回归问题，一次性预测目标的类别和边界框坐标。YOLO的关键特点是快速检测速度。

• 论文：SSD: Single Shot MultiBox Detector
• 描述：SSD是一种单次前向传播的目标检测模型，通过在多个不同尺度的特征图上执行检测，可以检测多个不同大小的目标。它具有较快的检测速度和良好的性能。

  

  
  

• 论文：Focal Loss for Dense Object Detection
• 描述：RetinaNet引入了Focal Loss来解决类别不平衡问题，提高了对小目标的检测性能。它具有高效的训练和良好的性能。

  
  

  

  
  

• 论文：Mask R-CNN
• 描述：Mask R-CNN扩展了Faster R-CNN，不仅可以进行目标检测，还可以生成目标实例的分割掩码。这对于实例分割任务非常有用。

  
  

• 论文：EfficientDet: Scalable and Efficient Object Detection
• 描述：EfficientDet结合了EfficientNet的网络结构和一种复合尺度的目标检测策略，以在速度和精度之间取得良好的平衡。它在资源利用效率方面表现出色。
  

以下是一些常用的数据集，适用于测试和训练目标检测模型：

• DOTA (Dataset for Object Detection in Aerial Images): DOTA是一种大规模的航拍图像数据集，包含多个类别的目标，如飞机、船只和车辆。

• NWPU-RESISC45: 这个数据集包含45个遥感场景类别，可用于遥感图像分类和检测任务。

• SpaceNet: SpaceNet是由DigitalGlobe和CosmiQ Works提供的一系列高分辨率卫星图像数据集，包括建筑物和道路检测等任务。

• UCAS-AOD: UCAS-AOD是一种用于飞机目标检测的遥感图像数据集，适用于航空领域的目标检测研究。

• Inria Aerial Image Labeling Dataset: 这个数据集包含空中图像，可用于建筑物检测任务。

交流合作

本学习室创建了3个学习交流群，来自各地高校和研究所，涵盖本科、硕士和博士群体，交流群每天活跃度非常高。

想加入交流的加小编微信邀请进群（扫描下方二维码咨询报名或菜单栏“联系我们”选项框都可以找到小编哟）。注意，咨询加群验证信息请备注为“研究方向-加群”格式，如“LULC-加群”。