随着科技的进步,各个行业对遥感影像技术的需求日益增加。由于遥感技术具有实时性高、可周期性收集信息、接受电磁波信息高度可调以及信息覆盖面广的特点,通过遥感技术得到的地面物体目标的图像信息更加全面准确。光学遥感图像是遥感图像的一个重要分支,研究光学遥感图像的目标检测具有重要意义。光学遥感图像的目标检测在军事可以实时观测敌方机场、航母以及重要码头上的飞机舰船变化信息,实现在信息化时代中快速获得战斗先机,取得战斗的主动权,在民用方面可以监测海上舰船,快速打击非法捕鱼、海上走私、非法偷渡以及海上救援。虽然将深度学习应用到目标检测任务中并取得了一定的突破,但是还是存在深度学习网络复杂运行速度慢并且检测结果虚警率高、准确率低以及对小目标检测效果差等问题。本论文将全卷积语义分割、神经网络模型压缩以及扩张卷积应用到光学遥感图像目标检测任务中以提高检测的准确率降低虚警率。本文主要研究内容如下:1.光学遥感图像的飞机与舰船的检测中存在将陆地上的物体误检舰船的问题提出了一种基于全卷积语义分割的目标检测算法。该算法通过使用端对端的语义分割方法对光学遥感图像中的陆地和海洋进行了分割,由于我们需要的是两类分割,所以简化了原来的分割网络,并将分割网络与目标检测网络结合到一起,目标检测网络与语义分割网络共享前几层的卷积,最后通过语义分割的结果对目标检测网络的检测结果进行辅助修正,已达到降低虚警率,提高检测结果精度。我们在QuickBird卫星采集的光学遥感图像数据集进行了验证,并申请了国家发明专利(专利申请号为:201810112969.6)。目前该算法还需要对网络结构进一步优化以降低算法复杂度。2.针对目标检测网络深,权值参数多,计算复杂度高的问题,提出了一种基于多状态神经网络的目标检测算法。基于多状态神经网络的目标检测算法中提出的多状态神经网络是通过将神经网络的权值和激活值进行量化,根据量化的稀疏程度对网络参数和激活值进行多位(1~8位)的{-1,1}编码以实现网络模型压缩,并将原本的卷积层分解为多个二值神经网络卷积层以加快网络运行速度,将多状态神经网络应用到目标检测网络中可以大大提高网络的运行速度同时节省计算资源。基于多状态神经网络的目标检测算法在实现网络3到4倍的压缩情况下可以实现与全精度网络相同的检测结果。我们在QuickBird卫星采集的光学遥感图像数据集和自然图像VOC2007/2012目标检测数据集上进行了验证,我们已经在国际顶级会议AAAI-2019(American Association for Artificial Intelligence)上发表了题为“Multi-Precision Quantized Neural Networks via Encoding Decomposition of{-1,+1}”的论文并申请了国家发明专利(专利申请号为:201810866365.0)。目前该算法还需解决的问题是如何实现网络中没有分解为二值神经网络的卷积层的模型加速。3.由于目前卷积神经网络框架更加的适应于图像分类任务,导致目标检测任务中小目标漏检率高的问题,提出了一种基于多尺度扩张卷积的目标检测算法。基于多尺度扩张卷积的目标检测算法使用自己搭建的扩张卷积模块替换目标检测网络中提取深层特征使用的卷积层和池化层,通过扩张卷积增加特征感受野并结合标准卷积进行深层次的特征提取,以达到在不改变特征图尺寸的前提下对图像进行更深层更抽象的特征提取,同时确保小目标的特征不会丢失。最终通过浅层特征图与深层特征图的融合得到既有分类任务需要的抽象特征又有回归任务需要的具体特征。使用该方法可以降低小目标的漏检率,有效提高目标检测算法的精度。我们在QuickBird卫星采集的光学遥感图像数据集进行了验证,并申请了国家发明专利(专利申请号为:201810907184.8)。目前该算法存在的问题是如何不使用分类数据集得到的权值进行目标检测网络的训练,以提高目标检测网络的精度。