针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题，本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构，以增强特征提取能力；此外，在浅层特征图与颈部网络融合之前加入感受野增强模块，以捕获不同尺度的上下文信息。其次，使用GSConv构成颈部网络，减少网络层参数量，保持网络的特征提取能力，并通过基于内容感知的特征重组模块提高识别精度。最后，采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入，来提高小目标的检测效果。为了证明该方法的有效性，在DOTA数据集和NWPU NHR-10数据集上进行实验，平均检测精度分别达78.6%和94.3%，计算复杂度为94.7 G，整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点，能有效提高小目标的检测精度，进一步改善光学遥感图像小目标检测性能。

针对红外多尺度目标检测, 提出了一种轻量级的基于单级感受野增强的检测网络。检测网络采用简化的MobileNet V2作为骨干网络, 结合空洞卷积和空间注意力机制, 设计了单级感受野增强模块, 使单级特征图感受野范围得到扩大, 相邻像素点间的相关性得到增强。为提高模型反向传播效率、均衡正负样本, 采用自适应训练样本选择方法, 最终得到模型大小仅1.6×32 Mibit, 浮点运算量仅5.63GFLOPS的轻量级检测算法。在构建的MTS-UAV数据集上mAP达到89.6%, 在RTX2080Ti显卡上FPS达到105 帧/s。

遥感图像检测在计算机视觉领域中是一项具有挑战性的任务，目前的遥感图像检测方法在提升精度的基础上忽略了速度，而在资源勘测和海上救援等需要实时检测的场景中，提高检测速度也是必不可少的。基于此，提出了一种轻量化的目标检测网络，以实现检测精度和速度的权衡。基于YOLOv4进行设计，将原主干网络替换为剪枝后的MobileNetV2，将特征提取部分的普通卷积计算替换为深度可分离卷积以大幅度减小模型计算量，同时嵌入感受野增强模块和注意力机制模块以提升模型检测精度。在遥感图像数据集上的实验结果表明：所提网络的平均准确率达到了89.80%，检测速度达到33.4 frame/s；与YOLOv4相比，平均准确率仅下降了1.48个百分点，但检测速度提升了近1.5倍；与YOLOv4-Tiny相比，平均准确率提升了9.05个百分点。所提模型实现了速度和精度的权衡，权重仅为44 MB，易于部署，且能满足实时检测场景需要。

针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题, 提出了基于SSD(Single Shot MultiBox Detector)的飞机遥感图像目标检测算法。首先使用经过改进后的深度残差网络替换SSD的骨架网络, 对于特征图之间缺少特征信息关联和特征通道间缺少差异性权重值的问题, 设计了一种含有特征感受野增强模块与注意力机制模块的新型特征金字塔网络。该网络用以融合不同层级的特征信息和训练特征通道间的权重系数, 使得深层网络和浅层网络都得到结构层次丰富的融合特征, 为后续网络的分类与定位提供了良好的前提。另外, 在改进后的SSD算法中还使用了聚焦分类损失函数来解决正负样本不平衡的问题。在飞机遥感数据集上进行相关实验, 精度均值达到92.45% , 每秒帧率为35.6。结果表明, 改进后的SSD算法能够同时兼顾高检测精度和实时性。