面向高分辨率遥感影像车辆检测的深度学习模型综述及适应性研究

车辆检测问题是计算机视觉和摄影测量与遥感领域的研究热点.随着深度学习技术的发展,遥感影像车辆检测已在智慧城市和智能交通等领域展开应用.文章系统归纳了现有的基于深度学习模型的遥感影像车辆检测算法,着重从单阶段与双阶段的车辆检测算法进行了归类、分析及比较;重点梳理了大幅面、复杂背景环境下车辆检测的关键技术,分析主流深度学习模型应用于遥感影像车辆检测的优缺点.利用DOTA和DIOR数据集对YOLOv5,Faster-RCNN,FCOS和SSD算法进行评估,在DOTA数据集上,车辆检测精度分别为0.695,0.410,0.370和0.251;在DIOR数据集上,车辆检测精度分别为0.566,0.243,0.231和0.154.实验结果表明,目标尺度较小仍是制约遥感影像车辆检测性能的主要因素,深度学习模型应用于小目标检测存在较大的提升空间.最后,基于公开数据集与已有研究算法分析的基础上,给出大幅面复杂背景下遥感影像车辆检测的解决方法及发展趋势.