浏览全部资源
扫码关注微信
Received：29 December 2022，
Revised：2023-03-10，
Published：16 June 2023
移动端阅览
独特的拍摄视角和多变的成像高度使得遥感影像中包含大量尺寸极其有限的目标，如何准确有效地检测这些小目标对于构建智能的遥感图像解译系统至关重要。本文聚焦于遥感场景，对基于深度学习的小目标检测进行全面调研。首先，根据小目标的内在特质梳理了遥感影像小目标检测的3个主要挑战，包括特征表示瓶颈、前背景混淆以及回归分支敏感。其次，通过深入调研相关文献，全面回顾了基于深度学习的遥感影像小目标检测算法。选取3种代表性的遥感影像小目标检测任务，即光学遥感图像小目标检测、SAR图像小目标检测和红外图像小目标检测，系统性总结了3个领域内的代表性方法，并根据每种算法使用的技术思路进行分类阐述。再次，总结了遥感影像小目标检测常用的公开数据集，包括光学遥感图像、SAR图像及红外图像3种数据类型，借助于3种领域的代表性数据集SODA-A（small object detection datasets）、AIR-SARShip和NUAA-SIRST（Nanjing University of Aeronautics and Astronautics， single-frame infrared small target），进一步对主流的遥感影像目标检测算法在面对小目标时的性能表现进行横向对比及深入评估。最后，对遥感影像小目标检测的应用现状进行总结，并展望了遥感场景下小目标检测的发展趋势。
Remote sensing images are often captured from multiview and multiple altitudes， thereby comprising a mass of objects with limited sizes which significantly challenge current detection methods that can achieve outstanding performance on natural images. Moreover， how to precisely detect these small objects plays a crucial role in developing an intelligent interpretation system for remote sensing images. Focusing on the remote sensing images， this paper conducts a comprehensive survey for deep learning-based small object detection （SOD） can be reviewed and analyzed literately， including 1） features-represent bottlenecks， 2） background confusion， and 3） branching-regressed sensitivity. Specially， one of the major bottlenecks is for objective’s representation. It refers that the down-sample operations in the prevailing feature extractors can suppress the signals of small objects unavoidably， and the following detection is impaired further in terms of the weak representations. The detection of size-limited instances is also interference of the confusion between the objects and backgrounds and the sensitivity of regression branch. For the former， the representations of small objects tend to be contaminated in related to feature extraction-contextual factors， which may erase the discriminative information that plays a significant role in head network. And the sensitivity of regression branch in small object detection is derived from the low tolerance for bounding box perturbation， in which a slight deviation of a predicted box will cause a drastic drop on the intersection-over-union （IoU）， which is generally adopted to evaluate the accuracy of localization. Furthermore， we review and analyze the literature of small object detection for remote sensing images in the deep-learning era. In detail， by systematically reviewing corresponding methods of three small object detection tasks， i.e.， SOD for optical remote sensing images， SOD for synthetic aperture radar （SAR） images and SOD for infrared images， an understandable taxonomy of the reviewed algorithms for each task is given. Specifically， we rigorously split the representative methods into several categories according to the major techniques used. In addition to the algorithm survey， considering the deep learning-based methods are hungry for data and to provide a comprehensive survey about small object detection， we also retrospect several publicly available datasets which are commonly used in these three SOD tasks. For each concrete field， we list the prevailing benchmarks in accordance with the published papers， and a brief introduction and some example images about these datasets are illustrated： small size. What is more， other related features about small object detection are highlighted as well， such as image resolution， data source， the number of images and annotated instances， and some proper statistics of each task， etc. Additionally， to better investigate the performance of generic detection methods on small objects， we analyze an in-depth evaluation and comparison of main-stream detection algorithms and several SOD methods for remote sensing images， namely SODA-A（small object detection datasets）， AIR-SARShip and NUAA-SIRST（Nanjing University of Aeronautics and Astronautics， single-frame infrared small target）. Afterwards， current situation in applications of small object detection for remote sensing images are analyzed， including SOD-based intelligent transportation system and scene-related understanding. Such harbor-targeted recognition is based on SAR image analysis， the precision-guided weapons based on the detection and recognition techniques of infrared images， and the tracking of moving targets at sea on top of multimodal remote sensing data. In the end， to enlighten the further research of small object detection in remote sensing images， we discuss four promising directions in the future. Concretely， it is required that an efficient backbone network can avoid the information loss of small objects while capturing the discriminative features to optimize the down-stream tasks about small objects. Large-scale benchmarks with well annotated small instances play an irreplaceable role linked to small object detection in remote sensing images further. Moreover， a multimodal remote sensing data-collaborated SOD algorithm is also preferred. A proper evaluation metric can not only guide the training and inference of small object detection methods under some specific scenes， but also rich its domain-related development.
Bai X Z and Bi Y G . 2018 . Derivative entropy-based contrast measure for infrared small-target detection . IEEE Transactions on Geoscience and Remote Sensing ， 56 （ 4 ）： 2452 - 2466 ［ DOI： 10.1109/TGRS.2017.2781143 http://dx.doi.org/10.1109/TGRS.2017.2781143 ］
Bai X Z and Zhou F G . 2010 . Analysis of new top-hat transformation and the application for infrared dim small target detection . Pattern Recognition ， 43 （ 6 ）： 2145 - 2156 ［ DOI： 10.1016/j.patcog.2009.12.023 http://dx.doi.org/10.1016/j.patcog.2009.12.023 ］
Bashir S M A and Wang Y . 2021 . Small object detection in remote sensing images with residual feature aggregation-based super-resolution and object detector network . Remote Sensing ， 13 （ 9 ）： # 1854 ［ DOI： 10.3390/rs13091854 http://dx.doi.org/10.3390/rs13091854 ］
Cao L Y ， Zhang X L ， Wang Z S and Ding G Y . 2021 . Multi angle rotation object detection for remote sensing image based on modified feature pyramid networks . International Journal of Remote Sensing ， 42 （ 14 ）： 5253 - 5276 ［ DOI： 10.1080/01431161.2021.1910371 http://dx.doi.org/10.1080/01431161.2021.1910371 ］
Chen C L P ， Li H ， Wei Y T ， Xia T and Tang Y Y . 2014 . A local contrast method for small infrared target detection . IEEE Transactions on Geoscience and Remote Sensing ， 52 （ 1 ）： 574 - 581 ［ DOI： 10.1109/TGRS.2013.2242477 http://dx.doi.org/10.1109/TGRS.2013.2242477 ］
Chen C R ， Zhang Y ， Lyu Q X ， Wei S ， Wang X R ， Sun X and Dong J Y . 2019 . RRNet： a hybrid detector for object detection in drone-captured images // Proceedings of 2019 IEEE/CVF International Conference on Computer Vision Workshop （ICCVW） . Seoul， Korea （South） ： IEEE： 100 - 108 ［ DOI： 10.1109/ICCVW.2019.00018 http://dx.doi.org/10.1109/ICCVW.2019.00018 ］
Chen F ， Gao C Q ， Liu F C ， Zhao Y ， Zhou Y X ， Meng D Y and Zuo W M . 2022 . Local patch network with global attention for infrared small target detection . IEEE Transactions on Aerospace and Electronic Systems ， 58 （ 5 ）： 3979 - 3991 ［ DOI： 10.1109/TAES.2022.3159308 http://dx.doi.org/10.1109/TAES.2022.3159308 ］
Chen Y W and Xin Y H . 2016 . An efficient infrared small target detection method based on visual contrast mechanism . IEEE Geoscience and Remote Sensing Letters ， 13 （ 7 ）： 962 - 966 ［ DOI： 10.1109/LGRS.2016.2556218 http://dx.doi.org/10.1109/LGRS.2016.2556218 ］
Cheng G ， Wang J B ， Li K ， Xie X X ， Lang C B ， Yao Y Q and Han J W . 2022b . Anchor-free oriented proposal generator for object detection . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5625411 ［ DOI： 10.1109/TGRS.2022.3183022 http://dx.doi.org/10.1109/TGRS.2022.3183022 ］
Cheng G ， Yao Y Q ， Li S Y ， Li K ， Xie X X ， Wang J B ， Yao X W and Han J W . 2022a . Dual-aligned oriented detector . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5618111 ［ DOI： 10.1109/TGRS.2022.3149780 http://dx.doi.org/10.1109/TGRS.2022.3149780 ］
Cheng G ， Yuan X ， Yao X W ， Yan K B ， Zeng Q H and Han J W . 2022c . Towards large-scale small object detection： survey and benchmarks ［EB/OL］. ［ 2023-03-25 ］. https://arxiv.org/pdf/2207.14096.pdf https://arxiv.org/pdf/2207.14096.pdf
Courtrai L ， Pham M T and Lefèvre S . 2020 . Small object detection in remote sensing images based on super-resolution with auxiliary generative adversarial networks . Remote Sensing ， 12 （ 19 ）： # 3152 ［ DOI： 10.3390/rs12193152 http://dx.doi.org/10.3390/rs12193152 ］
Cui Z Y ， Wang X Y ， Liu N Y ， Cao Z J and Yang J Y . 2021 . Ship detection in large-scale SAR images via spatial shuffle-group enhance attention . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 1 ）： 379 - 391 ［ DOI： 10.1109/TGRS.2020.2997200 http://dx.doi.org/10.1109/TGRS.2020.2997200 ］
Dai W X ， Mao Y Q ， Yuan R G ， Liu Y J ， Pu X M and Li C . 2020 . A novel detector based on convolution neural networks for multiscale SAR ship detection in complex background . Sensors ， 20 （ 9 ）： # 2547 ［ DOI： 10.3390/s20092547 http://dx.doi.org/10.3390/s20092547 ］
Dai Y M and Wu Y Q . 2017 . Reweighted infrared patch-tensor model with both nonlocal and local priors for single-frame small target detection . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 10 （ 8 ）： 3752 - 3767 ［ DOI： 10.1109/JSTARS.2017.2700023 http://dx.doi.org/10.1109/JSTARS.2017.2700023 ］
Dai Y M ， Wu Y Q ， Zhou F and Barnard K . 2021a . Attentional local contrast networks for infrared small target detection . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 11 ）： 9813 - 9824 ［ DOI： 10.1109/TGRS.2020.3044958 http://dx.doi.org/10.1109/TGRS.2020.3044958 ］
Dai Y M ， Wu Y Q ， Zhou F and Barnard K . 2021b . Asymmetric contextual modulation for infrared small target detection // Proceedings of 2021 IEEE Winter Conference on Applications of Computer Vision . Waikoloa， USA ： IEEE： 949 - 958 ［ DOI： 10.1109/WACV48630.2021.00099 http://dx.doi.org/10.1109/WACV48630.2021.00099 ］
Ding J ， Xue N ， Long Y ， Xia G S and Lu Q K . 2019 . Learning RoI transformer for oriented object detection in aerial images // Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Long Beach， USA ： IEEE： 2844 - 2853 ［ DOI： 10.1109/CVPR.2019.00296 http://dx.doi.org/10.1109/CVPR.2019.00296 ］
Ding J ， Xue N ， Xia G S ， Bai X ， Yang W ， Yang M Y ， Belongie S ， Luo J B ， Datcu M ， Pelillo M and Zhang L P . 2022 . Object detection in aerial images： a large-scale benchmark and challenges . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 44 （ 11 ）： 7778 - 7796 ［ DOI： 10.1109/TPAMI.2021.3117983 http://dx.doi.org/10.1109/TPAMI.2021.3117983 ］
Du L ， Wei D ， Li L and Guo Y C . 2020 . SAR target detection network via semi-supervised learning . Journal of Electronics and Information Technology ， 42 （ 1 ）： 154 - 163
杜兰 ， 魏迪 ， 李璐 ， 郭昱辰 . 2020 . 基于半监督学习的SAR目标检测网络 . 电子与信息学报 ， 42 （ 1 ）： 154 - 163 ［ DOI： 10.11999/JEIT190783 http://dx.doi.org/10.11999/JEIT190783 ］
Du Y A ， Du L and Li L . 2022 . An SAR target detector based on gradient harmonized mechanism and attention mechanism . IEEE Geoscience and Remote Sensing Letters ， 19 ： # 4017005 ［ DOI： 10.1109/LGRS.2021.3103378 http://dx.doi.org/10.1109/LGRS.2021.3103378 ］
Duan C Z ， Wei Z W ， Zhang C ， Qu S Y and Wang H P . 2021 . Coarse-grained density map guided object detection in aerial images // Proceedings of 2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW） . Montreal， Canada ： IEEE： 2789 - 2798 ［ DOI： 10.1109/ICCVW54120.2021.00313 http://dx.doi.org/10.1109/ICCVW54120.2021.00313 ］
Fu J M ， Sun X ， Wang Z R and Fu K . 2021a . An anchor-free method based on feature balancing and refinement network for multiscale ship detection in SAR images . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 2 ）： 1331 - 1344 ［ DOI： 10.1109/TGRS.2020.3005151 http://dx.doi.org/10.1109/TGRS.2020.3005151 ］
Fu K ， Chang Z H ， Zhang Y and Sun X . 2021b . Point-based estimator for arbitrary-oriented object detection in aerial images . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 5 ）： 4370 - 4387 ［ DOI： 10.1109/TGRS.2020.3020165 http://dx.doi.org/10.1109/TGRS.2020.3020165 ］
Fu K ， Chang Z H ， Zhang Y ， Xu G L ， Zhang K S and Sun X . 2020 . Rotation-aware and multi-scale convolutional neural network for object detection in remote sensing images . ISPRS Journal of Photogrammetry and Remote Sensing ， 161 ： 294 - 308 ［ DOI： 10.1016/j.isprsjprs.2020.01.025 http://dx.doi.org/10.1016/j.isprsjprs.2020.01.025 ］
Fu R G ， Fan H Q ， Zhu Y F ， Hui B W ， Zhang Z L ， Zhong P ， Li D D ， Zhang S L ， Chen G and Wang L . 2022 . A dataset for infrared time-sensitive target detection and tracking for air-ground application . China Scientific Data ， 7 （ 2 ）： 206 - 221
傅瑞罡 ， 范红旗 ， 朱永锋 ， 回丙伟 ， 张志龙 ， 钟平 ， 李冬冬 ， 张少良 ， 陈刚 ， 王雒 . 2022 . 面向空地应用的红外时敏目标检测跟踪数据集 . 中国科学数据 ， 7 （ 2 ）： 206 - 221 ［ DOI： 10.11922/11-6035.csd.2021.0085.zh http://dx.doi.org/10.11922/11-6035.csd.2021.0085.zh ］
Goodfellow I ， Pouget-Abadie J ， Mirza M ， Xu B ， Warde-Farley D ， Ozair S ， Courville A and Bengio Y . 2020 . Generative adversarial networks . Communications of the ACM ， 63 （ 11 ）： 139 - 144 ［ DOI： 10.1145/3422622 http://dx.doi.org/10.1145/3422622 ］
Gu F ， Zhang H ， Wang C and Zhang B . 2020 . Weakly supervised ship detection from SAR images based on a three-component CNN-CAM-CRF model . Journal of Applied Remote Sensing ， 14 （ 2 ）： # 026506 ［ DOI： 10.1117/1.JRS.14.026506 http://dx.doi.org/10.1117/1.JRS.14.026506 ］
Guo Q ， Wang H P and Xu F . 2020 . Research progress on aircraft detection and recognition in SAR imagery . Journal of Radars ， 9 （ 3 ）： 497 - 513
郭倩 ， 王海鹏 ， 徐丰 . 2020 . SAR图像飞机目标检测识别进展 . 雷达学报 ， 9 （ 3 ）： 497 - 513 ［ DOI： 10.12000/JR20020 http://dx.doi.org/10.12000/JR20020 ］
Guo Q ， Wang H P and Xu F . 2021 . Scattering enhanced attention pyramid network for aircraft detection in SAR images . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 9 ）： 7570 - 7587 ［ DOI： 10.1109/TGRS.2020.3027762 http://dx.doi.org/10.1109/TGRS.2020.3027762 ］
Guo Y S ， Li H C ， Hu W S and Wang W Y . 2022 . SAR image data augmentation via residual and attention-based generative adversarial network for ship detection // IGARSS 2022—2022 IEEE International Geoscience and Remote Sensing Symposium . Kuala Lumpur， Malaysia ： IEEE： 439 - 442 ［ DOI： 10.1109/IGARSS46834.2022.9884798 http://dx.doi.org/10.1109/IGARSS46834.2022.9884798 ］
Han J M ， Ding J ， Li J and Xia G S . 2022 . Align deep features for oriented object detection . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5602511 ［ DOI： 10.1109/TGRS.2021.3062048 http://dx.doi.org/10.1109/TGRS.2021.3062048 ］
Han J H ， Liang K ， Zhou B ， Zhu X Y ， Zhao J and Zhao L L . 2018 . Infrared small target detection utilizing the multiscale relative local contrast measure . IEEE Geoscience and Remote Sensing Letters ， 15 （ 4 ）： 612 - 616 ［ DOI： 10.1109/LGRS.2018.2790909 http://dx.doi.org/10.1109/LGRS.2018.2790909 ］
Han J H ， Moradi S ， Faramarzi I ， Liu C Y ， Zhang H H and Zhao Q . 2020 . A local contrast method for infrared small-target detection utilizing a tri-layer window . IEEE Geoscience and Remote Sensing Letters ， 17 （ 10 ）： 1822 - 1826 ［ DOI： 10.1109/LGRS.2019.2954578 http://dx.doi.org/10.1109/LGRS.2019.2954578 ］
Han L ， Ye W ， Li J W and Ran D . 2019 . Small ship detection in SAR images based on modified SSD // Proceedings of 2019 IEEE International Conference on Signal， Information and Data Processing . Chongqing， China ： IEEE： #9173268 ［ DOI： 10.1109/ICSIDP47821.2019.9173268 http://dx.doi.org/10.1109/ICSIDP47821.2019.9173268 ］
He K M ， Zhang X Y ， Ren S Q and Sun J . 2016 . Deep residual learning for image recognition // Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas， USA ： IEEE： 770 - 778 ［ DOI： 10.1109/CVPR.2016.90 http://dx.doi.org/10.1109/CVPR.2016.90 ］
He X W ， Cheng R ， Zheng Z L and Wang Z J . 2021 . Small object detection in traffic scenes based on YOLO-MXANet . Sensors ， 21 （ 21 ）： # 7422 ［ DOI： 10.3390/s21217422 http://dx.doi.org/10.3390/s21217422 ］
Hong M B ， Li S W ， Yang Y C ， Zhu F Y ， Zhao Q J and Lu L . 2022 . SSPNet： scale selection pyramid network for tiny person detection from UAV images . IEEE Geoscience and Remote Sensing Letters ， 19 ： # 8018505 ［ DOI： 10.1109/LGRS.2021.3103069 http://dx.doi.org/10.1109/LGRS.2021.3103069 ］
Hsieh M R ， Lin Y L and Hsu W H . 2017 . Drone-based object counting by spatially regularized regional proposal network // Proceedings of 2017 IEEE International Conference on Computer Vision . Venice， Italy ： IEEE： 4165 - 4173 ［ DOI： 10.1109/ICCV.2017.446 http://dx.doi.org/10.1109/ICCV.2017.446 ］
Huang S Q ， Liu Y H ， He Y M ， Zhang T F and Peng Z M . 2019 . Structure-adaptive clutter suppression for infrared small target detection： chain-growth filtering . Remote Sensing ， 12 （ 1 ）： # 47 ［ DOI： 10.3390/rs12010047 http://dx.doi.org/10.3390/rs12010047 ］
Huang Z L ， Datcu M ， Pan Z X and Lei B . 2020 . Deep SAR-Net： learning objects from signals . ISPRS Journal of Photogrammetry and Remote Sensing ， 161 ： 179 - 193 ［ DOI： 10.1016/j.isprsjprs.2020.01.016 http://dx.doi.org/10.1016/j.isprsjprs.2020.01.016 ］
Hui B W ， Song Z Y ， Fan H Q ， Zhong P ， Hu W D ， Zhang X F ， Ling J G ， Su H Y ， Jin W ， Zhang Y J and Bai Y X . 2020 . A dataset for infrared detection and tracking of dim-small aircraft targets under ground/air background . China Scientific Data ， 5 （ 3 ）： 291 - 302
回丙伟 ， 宋志勇 ， 范红旗 ， 钟平 ， 胡卫东 ， 张晓峰 ， 凌建国 ， 苏宏艳 ， 金威 ， 张永杰 ， 白亚茜 . 2020 . 地/空背景下红外图像弱小飞机目标检测跟踪数据集 . 中国科学数据 ， 5 （ 3 ）： 291 - 302 ［ DOI： 10.11922/csdata.2019.0074.zh http://dx.doi.org/10.11922/csdata.2019.0074.zh ］
Jiao J ， Zhang Y ， Sun H ， Yang X ， Gao X ， Hong W ， Fu K and Sun X . 2018 . A densely connected end-to-end neural network for multiscale and multiscene SAR ship detection . IEEE Access ， 6 ： 20881 - 20892 ［ DOI： 10.1109/ACCESS.2018.2825376 http://dx.doi.org/10.1109/ACCESS.2018.2825376 ］
Jin K ， Chen Y L ， Xu B ， Yin J J ， Wang X S and Yang J . 2020 . A patch-to-pixel convolutional neural network for small ship detection with PolSAR images . IEEE Transactions on Geoscience and Remote Sensing ， 58 （ 9 ）： 6623 - 6638 ［ DOI： 10.1109/TGRS.2020.2978268 http://dx.doi.org/10.1109/TGRS.2020.2978268 ］
Kang Y Z ， Wang Z R ， Fu J M ， Sun X and Fu K . 2022 . SFR-Net： scattering feature relation network for aircraft detection in complex SAR images . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5218317 ［ DOI： 10.1109/TGRS.2021.3130899 http://dx.doi.org/10.1109/TGRS.2021.3130899 ］
Kim M ， Jeong J and Kim S . 2021 . ECAP-YOLO： efficient channel attention pyramid YOLO for small object detection in aerial image . Remote Sensing ， 13 （ 23 ）： # 4851 ［ DOI： 10.3390/rs13234851 http://dx.doi.org/10.3390/rs13234851 ］
Lei S L ， Lu D D ， Qiu X L and Ding C B . 2021 . SRSDD-v1.0： a high-resolution SAR rotation ship detection dataset . Remote Sensing ， 13 （ 24 ）： # 5104 ［ DOI： 10.3390/rs13245104 http://dx.doi.org/10.3390/rs13245104 ］
Li B Y ， Xiao C ， Wang L G ， Wang Y Q ， Lin Z P ， Li M ， An W and Guo Y L . 2022a . Dense nested attention network for infrared small target detection . IEEE Transactions on Image Processing ［ DOI： 10.1109/TIP.2022.3199107 http://dx.doi.org/10.1109/TIP.2022.3199107 ］
Li C L ， Yang T J N ， Zhu S J ， Chen C and Guan S Y . 2020 . Density map guided object detection in aerial images // Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops . Seattle， USA ： IEEE： 737 - 746 ［ DOI： 10.1109/CVPRW50498.2020.00103 http://dx.doi.org/10.1109/CVPRW50498.2020.00103 ］
Li J H ， Zhang P ， Wang X W and Huang S Z . 2020 . Infrared small-target detection algorithms： a survey . Journal of Image and Graphics ， 25 （ 9 ）： 1739 - 1753
李俊宏 ， 张萍 ， 王晓玮 ， 黄世泽 . 2020 . 红外弱小目标检测算法综述 . 中国图象图形学报 ， 25 （ 9 ）： 1739 - 1753 ［ DOI： 10.11834/jig.190574 http://dx.doi.org/10.11834/jig.190574 ］
Li J W ， Qu C W and Shao J Q . 2017 . Ship detection in SAR images based on an improved faster R-CNN // Proceedings of 2017 SAR in Big Data Era： Models， Methods and Applications （BIGSARDATA） . Beijing， China ： IEEE： #8124934 ［ DOI： 10.1109/BIGSARDATA.2017.8124934 http://dx.doi.org/10.1109/BIGSARDATA.2017.8124934 ］
Li L ， Wang C ， Zhang H and Zhang B . 2022b . SAR image ship object generation and classification with improved residual conditional generative adversarial network . IEEE Geoscience and Remote Sensing Letters ， 19 ： 1 - 5 ［ DOI： 10.1109/LGRS.2020.3016692 http://dx.doi.org/10.1109/LGRS.2020.3016692 ］
Li W T ， Chen Y J ， Hu K X and Zhu J K . 2022c . Oriented RepPoints for aerial object detection // Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition . New Orleans， USA ： IEEE： 1819 - 1828 ［ DOI： 10.1109/CVPR52688.2022.00187 http://dx.doi.org/10.1109/CVPR52688.2022.00187 ］
Li Y S ， Li Z Z ， Xu B T ， Dang C J and Deng J Q . 2022d . Low-contrast infrared target detection based on multiscale dual morphological reconstruction . IEEE Geoscience and Remote Sensing Letters ， 19 ： # 7001905 ［ DOI： 10.1109/LGRS.2021.3080986 http://dx.doi.org/10.1109/LGRS.2021.3080986 ］
Liang X ， Zhang J ， Zhuo L ， Li Y Z and Tian Q . 2020 . Small object detection in unmanned aerial vehicle images using feature fusion and scaling-based single shot detector with spatial context analysis . IEEE Transactions on Circuits and Systems for Video Technology ， 30 （ 6 ）： 1758 - 1770 ［ DOI： 10.1109/TCSVT.2019.2905881 http://dx.doi.org/10.1109/TCSVT.2019.2905881 ］
Liao L Y ， Du L and Guo Y C . 2022 . Semi-supervised SAR target detection based on an improved faster R-CNN . Remote Sensing ， 14 （ 1 ）： # 143 ［ DOI： 10.3390/rs14010143 http://dx.doi.org/10.3390/rs14010143 ］
Lin T Y ， Dollr P ， Girshick R ， He K M ， Hariharan B and Belongie S . 2017 . Feature pyramid networks for object detection // Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . Honolulu， USA ： IEEE： 936 - 944 ［ DOI： 10.1109/CVPR.2017.106 http://dx.doi.org/10.1109/CVPR.2017.106 ］
Lin T Y ， Goyal P ， Girshick R ， He K M and Dollr P . 2020 . Focal loss for dense object detection . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 42 （ 2 ）： 318 - 327 ［ DOI： 10.1109/TPAMI.2018.2858826 http://dx.doi.org/10.1109/TPAMI.2018.2858826 ］
Lin T Y ， Maire M ， Belongie S ， Hays J ， Perona P ， Ramanan D ， Dollr P and Zitnick C L . 2014 . Microsoft COCO： common objects in context // Proceedings of the 13th European Conference on Computer Vision . Zurich， Switzerland ： Springer： 740 - 755 ［ DOI： 10.1007/978-3-319-10602-1_48 http://dx.doi.org/10.1007/978-3-319-10602-1_48 ］
Liu L ， Ouyang W L ， Wang X G ， Fieguth P ， Chen J ， Liu X W and Pietikäinen M . 2020 . Deep learning for generic object detection： a survey . International Journal of Computer Vision ， 128 （ 2 ）： 261 - 318 ［ DOI： 10.1007/s11263-019-01247-4 http://dx.doi.org/10.1007/s11263-019-01247-4 ］
Liu W ， Anguelov D ， Erhan D ， Szegedy C ， Reed S ， Fu C Y and Berg A C . 2016 . SSD： single shot MultiBox detector // Proceedings of the 14th European Conference on Computer Vision . Amsterdam， the Netherlands ： Springer： 21 - 37 ［ DOI： 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2 ］
Lu X C ， Ji J ， Xing Z Q and Miao Q G . 2021 . Attention and feature fusion SSD for remote sensing object detection . IEEE Transactions on Instrumentation and Measurement ， 70 ： # 5501309 ［ DOI： 10.1109/TIM.2021.3052575 http://dx.doi.org/10.1109/TIM.2021.3052575 ］
Mhalla A ， Chateau T ， Gazzah S and Amara N E B . 2019 . An embedded computer-vision system for multi-object detection in traffic surveillance . IEEE Transactions on Intelligent Transportation Systems ， 20 （ 11 ）： 4006 - 4018 ［ DOI： 10.1109/TITS.2018.2876614 http://dx.doi.org/10.1109/TITS.2018.2876614 ］
Nie G T and Huang H . 2023 . Multi-oriented object detection in aerial images with double horizontal rectangles . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 45 （ 4 ）： 4923 - 4944 ［ DOI： 10.1109/TPAMI.2022.3191753 http://dx.doi.org/10.1109/TPAMI.2022.3191753 ］
Noh H ， Hong S and Han B . 2015 . Learning deconvolution network for semantic segmentation // Proceedings of 2015 IEEE International Conference on Computer Vision . Santiago， Chile ： IEEE： 1520 - 1528 ［ DOI： 10.1109/ICCV.2015.178 http://dx.doi.org/10.1109/ICCV.2015.178 ］
Pang J M ， Li C ， Shi J P ， Xu Z H and Feng H J . 2019 . R 2 -CNN： fast tiny object detection in large-scale remote sensing images . IEEE Transactions on Geoscience and Remote Sensing ， 57 （ 8 ）： 5512 - 5524 ［ DOI： 10.1109/TGRS.2019.2899955 http://dx.doi.org/10.1109/TGRS.2019.2899955 ］
Rabbi J ， Ray N ， Schubert M ， Chowdhury S and Chao D . 2020 . Small-object detection in remote sensing images with end-to-end edge-enhanced GAN and object detector network . Remote Sensing ， 12 （ 9 ）： # 1432 ［ DOI： 10.3390/rs12091432 http://dx.doi.org/10.3390/rs12091432 ］
Ran Q ， Wang Q ， Zhao B Y ， Wu Y F ， Pu S L and Li Z J . 2021 . Lightweight oriented object detection using multiscale context and enhanced channel attention in remote sensing images . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 14 ： 5786 - 5795 ［ DOI： 10.1109/JSTARS.2021.3079968 http://dx.doi.org/10.1109/JSTARS.2021.3079968 ］
Redmon J and Farhadi A . 2018 . Yolov3： an incremental improvement ［EB/OL］. ［ 2023-03-25 ］. https://arxiv.org/ped/1804.02767.pdf https://arxiv.org/ped/1804.02767.pdf
Ren K ， Gao Y ， Wan M J ， Gu G H and Chen Q . 2022 . Infrared small target detection via region super resolution generative adversarial network . Applied Intelligence ， 52 （ 10 ）： 11725 - 11737 ［ DOI： 10.1007/s10489-021-02955-6 http://dx.doi.org/10.1007/s10489-021-02955-6 ］
Ren S Q ， He K M ， Girshick R and Sun J . 2017 . Faster R-CNN： towards real-time object detection with region proposal networks . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 39 （ 6 ）： 1137 - 1149 ［ DOI： 10.1109/TPAMI.2016.2577031 http://dx.doi.org/10.1109/TPAMI.2016.2577031 ］
Ren Y ， Zhu C R and Xiao S P . 2018 . Small object detection in optical remote sensing images via modified faster R-CNN . Applied Sciences ， 8 （ 5 ）： # 813 ［ DOI： 10.3390/app8050813 http://dx.doi.org/10.3390/app8050813 ］
Sun T ， Xiong Z Q ， Yin J ， Wu Y H and Wang Z X . 2023 . Gradient-constraint super-resolution reconstruction method serving for infrared target detection . IEEE Consumer Electronics Magazine ， 12 （ 2 ）： 14 - 25 ［ DOI： 10.1109/MCE.2021.3116440 http://dx.doi.org/10.1109/MCE.2021.3116440 ］
Sun W ， Dai L ， Zhang X R ， Chang P S and He X Z . 2022a . RSOD： real-time small object detection algorithm in UAV-based traffic monitoring . Applied Intelligence ， 52 （ 8 ）： 8448 - 8463 ［ DOI： 10.1007/s10489-021-02893-3 http://dx.doi.org/10.1007/s10489-021-02893-3 ］
Sun W H and Huang X Y . 2021 . Semantic attention-based network for inshore SAR ship detection // Proceedings of the SPIE 11878 ， the 13th International Conference on Digital Image Processing. Singapore， Singapore ： SPIE： #2600839 ［ DOI： 10.1117/12.2600839 http://dx.doi.org/10.1117/12.2600839 ］
Sun X ， Lyu Y X ， Wang Z R and Fu K . 2022d . SCAN： scattering characteristics analysis network for few-shot aircraft classification in high-resolution SAR images . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5226517 ［ DOI： 10.1109/TGRS.2022.3166174 http://dx.doi.org/10.1109/TGRS.2022.3166174 ］
Sun X ， Meng Y ， Diao W H ， Huang L J ， Zhang X ， Luo J C ， Gao L R ， Wang P J ， Yan Z Y ， Gao L J ， Dong W ， Feng Y C ， Li J H and Fu K . 2022 . The review of AI-based intelligent remote sensing capabilities . Journal of Image and Graphics ， 27 （ 6 ）： 1799 - 1822
孙显 ， 孟瑜 ， 刁文辉 ， 黄丽佳 ， 张新 ， 骆剑承 ， 高连如 ， 王佩瑾 ， 闫志远 ， 郜丽静 ， 董文 ， 冯瑛超 ， 李霁豪 ， 付琨 . 2022 . 智能遥感： AI赋能遥感技术 . 中国图象图形学报 ， 27 （ 6 ）： 1799 - 1822 ［ DOI： 10.11834/jig.220161 http://dx.doi.org/10.11834/jig.220161 ］
Sun X ， Tian Y ， Lu W X ， Wang P J ， Niu R G ， Yu H F and Fu K . 2022b . From single- to multi-modal remote sensing imagery interpretation： a survey and taxonomy . Science China Information Sciences ［ DOI： 10.1007/s11432-022-3588-0 http://dx.doi.org/10.1007/s11432-022-3588-0 ］
Sun X ， Wang P J ， Yan Z Y ， Xu F ， Wang R P ， Diao W H ， Chen J ， Li J H ， Feng Y C ， Xu T ， Weinmann M ， Hinz S ， Wang C and Fu K . 2022c . FAIR1M： a benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery . ISPRS Journal of Photogrammetry and Remote Sensing ， 184 ： 116 - 130 ［ DOI： 10.1016/j.isprsjprs.2021.12.004 http://dx.doi.org/10.1016/j.isprsjprs.2021.12.004 ］
Sun X ， Wang Z R ， Sun Y R ， Diao W H ， Zhang Y and Fu K . 2019 . AIR-SARShip-1.0： high-resolution SAR ship detection dataset . Journal of Radars ， 8 （ 6 ）： 852 - 862
孙显 ， 王智睿 ， 孙元睿 ， 刁文辉 ， 张跃 ， 付琨 . 2019 . AIR-SARShip-1.0： 高分辨率SAR舰船检测数据集 . 雷达学报 ， 8 （ 6 ）： 852 - 862 ［ DOI： 10.12000/JR19097 http://dx.doi.org/10.12000/JR19097 ］
Sun X L ， Guo L C ， Zhang W L ， Wang Z ， Hou Y J ， Li Z and Teng X C . 2021 . A dataset for small infrared moving target detection under clutter background . China Scientific Data
孙晓亮 ， 郭良超 ， 张文龙 ， 王梓 ， 侯艳杰 ， 李璋 ， 滕锡超 . 2021 . 复杂背景下红外弱小运动目标检测数据集 . 中国科学数据 ［ DOI： 10.11922/csdata.2021.0015.zh http://dx.doi.org/10.11922/csdata.2021.0015.zh ］
Sun Y ， Yang J G and An W . 2021 . Infrared dim and small target detection via multiple subspace learning and spatial-temporal patch-tensor model . IEEE Transactions on Geoscience and Remote Sensing ， 59 （ 5 ）： 3737 - 3752 ［ DOI： 10.1109/TGRS.2020.3022069 http://dx.doi.org/10.1109/TGRS.2020.3022069 ］
Sun Y R ， Sun X ， Wang Z R and Fu K . 2022f . Oriented ship detection based on strong scattering points network in large-scale SAR images . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5218018 ［ DOI： 10.1109/TGRS.2021.3130117 http://dx.doi.org/10.1109/TGRS.2021.3130117 ］
Sun Y R ， Wang Z R ， Sun X and Fu K . 2022e . SPAN： strong scattering point aware network for ship detection and classification in large-scale SAR imagery . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 15 ： 1188 - 1204 ［ DOI： 10.1109/JSTARS.2022.3142025 http://dx.doi.org/10.1109/JSTARS.2022.3142025 ］
Tian Z ， Shen C H ， Chen H and He T . 2022 . FCOS： a simple and strong anchor-free object detector . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 44 （ 4 ）： 1922 - 1933 ［ DOI： 10.1109/TPAMI.2020.3032166 http://dx.doi.org/10.1109/TPAMI.2020.3032166 ］
Wang C C ， Su W M and Gu H . 2020 . Two-stage ship detection in synthetic aperture radar images based on attention mechanism and extended pooling . Journal of Applied Remote Sensing ， 14 （ 4 ）： # 044522 ［ DOI： 10.1117/1.JRS.14.044522 http://dx.doi.org/10.1117/1.JRS.14.044522 ］
Wang H ， Zhou L P and Wang L . 2019a . Miss detection vs. false alarm： adversarial learning for small object segmentation in infrared images // Proceedings of 2019 IEEE/CVF International Conference on Computer Vision . Seoul， Korea （South） ： IEEE： 8508 - 8517 ［ DOI： 10.1109/ICCV.2019.00860 http://dx.doi.org/10.1109/ICCV.2019.00860 ］
Wang J P ， Lin Y Q ， Guo J and Zhuang L . 2021 . SSS-YOLO： towards more accurate detection for small ships in SAR image . Remote Sensing Letters ， 12 （ 2 ）： 93 - 102 ［ DOI： 10.1080/2150704 X.2020.183 7988 http://dx.doi.org/10.1080/2150704X.2020.1837988 ］
Wang Y Y ， Wang C ， Zhang H ， Dong Y B and Wei S S . 2019b . A SAR dataset of ship detection for deep learning under complex backgrounds . Remote Sensing ， 11 （ 7 ）： # 765 ［ DOI： 10.3390/rs11070765 http://dx.doi.org/10.3390/rs11070765 ］
Wang Z C ， Du L ， Mao J S ， Liu B and Yang D W . 2019c . SAR target detection based on SSD with data augmentation and transfer learning . IEEE Geoscience and Remote Sensing Letters ， 16 （ 1 ）： 150 - 154 ［ DOI： 10.1109/LGRS.2018.2867242 http://dx.doi.org/10.1109/LGRS.2018.2867242 ］
Wei S J ， Zeng X F ， Qu Q Z ， Wang M ， Su H and Shi J . 2020a . HRSID： a high-resolution SAR images dataset for ship detection and instance segmentation . IEEE Access ， 8 ： 120234 - 120254 ［ DOI： 10.1109/ACCESS.2020.3005861 http://dx.doi.org/10.1109/ACCESS.2020.3005861 ］
Wei Z W ， Duan C Z ， Song X H ， Tian Y and Wang H P . 2020b . AMRNet： chips augmentation in aerial images object detection ［EB/OL］. ［ 2023-03-25 ］. https://arxiv.org/pdf/2009.07168.pdf https://arxiv.org/pdf/2009.07168.pdf
Wu J Q and Xu S B . 2021 . From point to region： accurate and efficient hierarchical small object detection in low-resolution remote sensing images . Remote Sensing ， 13 （ 13 ）： # 2620 ［ DOI： 10.3390/rs13132620 http://dx.doi.org/10.3390/rs13132620 ］
Wu J X ， Pan Z X ， Lei B and Hu Y X . 2022 . FSANet： feature-and-spatial-aligned network for tiny object detection in remote sensing images . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 5630717 ［ DOI： 10.1109/TGRS.2022.3205052 http://dx.doi.org/10.1109/TGRS.2022.3205052 ］
Xia C Q ， Li X R ， Zhao L Y and Shu R . 2020 . Infrared small target detection based on multiscale local contrast measure using local energy factor . IEEE Geoscience and Remote Sensing Letters ， 17 （ 1 ）： 157 - 161 ［ DOI： 10.1109/LGRS.2019.2914432 http://dx.doi.org/10.1109/LGRS.2019.2914432 ］
Xia R F ， Chen J ， Huang Z X ， Wan H Y ， Wu B C ， Sun L ， Yao B D ， Xiang H B and Xing M D . 2022 . CRTransSar： a visual transformer based on contextual joint representation learning for SAR ship detection . Remote Sensing ， 14 （ 6 ）： # 1488 ［ DOI： 10.3390/rs14061488 http://dx.doi.org/10.3390/rs14061488 ］
Xie X X ， Cheng G ， Wang J B ， Yao X W and Han J W . 2021 . Oriented R-CNN for object detection // Proceedings of 2021 IEEE/CVF International Conference on Computer Vision （ICCV） . Montreal， Canada ： IEEE： 3500 - 3509 ［ DOI： 10.1109/ICCV48922.2021.00350 http://dx.doi.org/10.1109/ICCV48922.2021.00350 ］
Xu C ， Wang J W ， Yang W and Yu L . 2021a . Dot distance for tiny object detection in aerial images // Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Nashville， USA ： IEEE： 1192 - 1201 ［ DOI： 10.1109/CVPRW53098.2021.00130 http://dx.doi.org/10.1109/CVPRW53098.2021.00130 ］
Xu C ， Wang J W ， Yang W ， Yu H ， Yu L and Xia G S . 2022a . RFLA： Gaussian receptive field based label assignment for tiny object detection // Proceedings of the 17th European Conference on Computer Vision . Tel Aviv， Israel ： Springer： 526 - 543 ［ DOI： 10.1007/978-3-031-20077-9_31 http://dx.doi.org/10.1007/978-3-031-20077-9_31 ］
Xu C ， Wang J W ， Yang W ， Yu H ， Yu L and Xia G S . 2022b . Detecting tiny objects in aerial images： a normalized Wasserstein distance and a new benchmark . ISPRS Journal of Photogrammetry and Remote Sensing ， 190 ： 79 - 93 ［ DOI： 10.1016/j.isprsjprs.2022.06.002 http://dx.doi.org/10.1016/j.isprsjprs.2022.06.002 ］
Xu C A ， Su H ， Li J W ， Liu Y ， Yao L B ， Gao L ， Yan W J and Wang T Y . 2022 . RSDD-SAR： rotated ship detection dataset in SAR images . Journal of Radars ， 11 （ 4 ）： 581 - 599
徐从安 ， 苏航 ， 李健伟 ， 刘瑜 ， 姚力波 ， 高龙 ， 闫文君 ， 汪韬阳 . 2022 . RSDD-SAR： SAR舰船斜框检测数据集 . 雷达学报 ， 11 （ 4 ）： 581 - 599 ［ DOI： 10.12000/JR22007 http://dx.doi.org/10.12000/JR22007 ］
Xu F ， Wang H P and Jin Y Q . 2020 . Synthetic Aperture Radar Image Intelligent Interpretation . Beijing ： Science Press
徐丰 ， 王海鹏 ， 金亚秋 . 2020 . 合成孔径雷达图像智能解译 . 北京 ： 科学出版社
Xu P ， Li Q Y ， Zhang B ， Wu F ， Zhao K ， Du X ， Yang C K and Zhong R F . 2021b . On-board real-time ship detection in HISEA-1 SAR images based on CFAR and lightweight deep learning . Remote Sensing ， 13 （ 10 ）： # 1995 ［ DOI： 10.3390/rs 13101995 http://dx.doi.org/10.3390/rs13101995 ］
Xu Y C ， Fu M T ， Wang Q M ， Wang Y K ， Chen K ， Xia G S and Bai X . 2021c . Gliding vertex on the horizontal bounding box for multi-oriented object detection . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 43 （ 4 ）： 1452 - 1459 ［ DOI： 10.1109/TPAMI.2020.2974745 http://dx.doi.org/10.1109/TPAMI.2020.2974745 ］
Yang F ， Fan H ， Chu P ， Blasch E and Ling H B . 2019a . Clustered object detection in aerial images // Proceedings of 2019 IEEE/CVF International Conference on Computer Vision . Seoul， Korea （South） ： IEEE： 8310 - 8319 ［ DOI： 10.1109/ICCV.2019.00840 http://dx.doi.org/10.1109/ICCV.2019.00840 ］
Yang X ， Sun H ， Fu K ， Yang J R ， Sun X ， Yan M L and Guo Z . 2018 . Automatic ship detection in remote sensing images from Google earth of complex scenes based on multiscale rotation dense feature pyramid networks . Remote Sensing ， 10 （ 1 ）： # 132 ［ DOI： 10.3390/rs10010132 http://dx.doi.org/10.3390/rs10010132 ］
Yang X ， Yang J R ， Yan J C ， Zhang Y ， Zhang T F ， Guo Z ， Sun X and Fu K . 2019b . SCRDet： towards more robust detection for small， cluttered and rotated objects // Proceedings of 2019 IEEE/CVF International Conference on Computer Vision （ICCV） . Seoul， Korea （South） ： IEEE： 8231 - 8240 ［ DOI： 10.1109/ICCV.2019.00832 http://dx.doi.org/10.1109/ICCV.2019.00832 ］
Yang Y F ， Li Q ， Yang C W ， Fu Y N ， Feng H J ， Xu Z H and Chen Y T . 2020 . Deep networks with detail enhancement for infrared image super-resolution . IEEE Access ， 8 ： 158690 - 158701 ［ DOI： 10.1109/ACCESS.2020.3017819 http://dx.doi.org/10.1109/ACCESS.2020.3017819 ］
Ying X Y ， Wang Y Q ， Wang L G ， Sheng W D ， Liu L ， Lin Z P and Zhou S L . 2022 . Local motion and contrast priors driven deep network for infrared small target superresolution . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 15 ： 5480 - 5495 ［ DOI： 10.1109/JSTARS.2022.3183230 http://dx.doi.org/10.1109/JSTARS.2022.3183230 ］
Yu L ， Wu H Y ， Zhong Z ， Zheng L Y ， Deng Q Y and Hu H C . 2021 . TWC-Net： a SAR ship detection using two-way convolution and multiscale feature mapping . Remote Sensing ， 13 （ 13 ）： # 2558 ［ DOI： 10.3390/rs13132558 http://dx.doi.org/10.3390/rs13132558 ］
Zand M ， Etemad A and Greenspan M . 2022 . Oriented bounding boxes for small and freely rotated objects . IEEE Transactions on Geoscience and Remote Sensing ， 60 ： # 4701715 ［ DOI： 10.1109/TGRS.2021.3076050 http://dx.doi.org/10.1109/TGRS.2021.3076050 ］
Zhang C ， Li D G ， Qi J S ， Liu J T and Wang Y . 2021 . Infrared small target detection method with trajectory correction fuze based on infrared image sensor . Sensors ， 21 （ 13 ）： # 4522 ［ DOI： 10.3390/s21134522 http://dx.doi.org/10.3390/s21134522 ］
Zhang H ， Dana K ， Shi J P ， Zhang Z Y ， Wang X G ， Tyagi A and Agrawal A . 2018a . Context encoding for semantic segmentation // Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . Salt Lake City， USA ： IEEE： 7151 - 7160 ［ DOI： 10.1109/CVPR.2018.00747 http://dx.doi.org/10.1109/CVPR.2018.00747 ］
Zhang K ， Wu Y L ， Wang J Y ， Wang Y Z and Wang Q . 2022a . Semantic context-aware network for multiscale object detection in remote sensing images . IEEE Geoscience and Remote Sensing Letters ， 19 ： # 8009705 ［ DOI： 10.1109/LGRS.2021.3067313 http://dx.doi.org/10.1109/LGRS.2021.3067313 ］
Zhang L D ， Peng L B ， Zhang T F ， Cao S Y and Peng Z M . 2018b . Infrared small target detection via non-convex rank approximation minimization joint l2，1 norm . Remote Sensing ， 10 （ 11 ）： # 1821 ［ DOI： 10.3390/rs10111821 http://dx.doi.org/10.3390/rs10111821 ］
Zhang L D and Peng Z M . 2019 . Infrared small target detection based on partial sum of the tensor nuclear norm . Remote Sensing ， 11 （ 4 ）： # 382 ［ DOI： 10.3390/rs11040382 http://dx.doi.org/10.3390/rs11040382 ］
Zhang M J ， Zhang R ， Yang Y X ， Bai H C ， Zhang J and Guo J . 2022b . ISNet： shape matters for infrared small target detection // Proceedings of 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition . New Orleans， USA ： IEEE： 867 - 876 ［ DOI： 10.1109/CVPR52688.2022.00095 http://dx.doi.org/10.1109/CVPR52688.2022.00095 ］
Zhang T W ， Zhang X L ， Ke X ， Zhan X ， Shi J ， Wei S J ， Pan D C ， Li J W ， Su H ， Zhou Y and Kumar D . 2020 . LS-SSDD-v1.0： a deep learning dataset dedicated to small ship detection from large-scale Sentinel-1 SAR images . Remote Sensing ， 12 （ 18 ）： # 2997 ［ DOI： 10.3390/rs12182997 http://dx.doi.org/10.3390/rs12182997 ］
Zhang W ， Wang S H ， Thachan S ， Chen J Z and Qian Y T . 2018c . Deconv R-CNN for small object detection on remote sensing images // Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium . Valencia， Spain ： IEEE： 2483 - 2486 ［ DOI： 10.1109/IGARSS.2018.8517436 http://dx.doi.org/10.1109/IGARSS.2018.8517436 ］
Zhao J P ， Guo W W ， Zhang Z H and Yu W X . 2019 . A coupled convolutional neural network for small and densely clustered ship detection in SAR images . Science China Information Sciences ， 62 （ 4 ）： # 42301 ［ DOI： 1 0.1007/s11432-017-9405-6 http://dx.doi.org/10.1007/s11432-017-9405-6 ］
Zhu C B ， Zhao D P ， Liu Z M and Mao Y N . 2020 . Hierarchical attention for ship detection in SAR images // Proceedings of 2020 IEEE International Geoscience and Remote Sensing Symposium . Waikoloa， USA ： IEEE： 2145 - 2148 ［ DOI： 10.1109/IGARSS39084.2020.9324122 http://dx.doi.org/10.1109/IGARSS39084.2020.9324122 ］
Zhu J W ， Qiu X L ， Pan Z X ， Zhang Y T and Lei B . 2017 . Projection shape template-based ship target recognition in TerraSAR-X images . IEEE Geoscience and Remote Sensing Letters ， 14 （ 2 ）： 222 - 226 ［ DOI： 10.1109/LGRS.2016.2635699 http://dx.doi.org/10.1109/LGRS.2016.2635699 ］
Zhu P F ， Wen L Y ， Du D W ， Bian X ， Fan H ， Hu Q H and Ling H B . 2022 . Detection and tracking meet drones challenge . IEEE Transactions on Pattern Analysis and Machine Intelligence ， 44 （ 11 ）： 7380 - 7399 ［ DOI： 10.1109/TPAMI.2021.3119563 http://dx.doi.org/10.1109/TPAMI.2021.3119563 ］
Zou L C ， Zhang H ， Wang C ， Wu F and Gu F . 2020 . MW-ACGAN： generating multiscale high-resolution SAR images for ship detection . Sensors ， 20 （ 22 ）： # 6673 ［ DOI： 10.3390/s20226673 http://dx.doi.org/10.3390/s20226673 ］
相关文章
相关作者
相关机构
京公网安备11010802024621
