文献综述
2012年，卷积神经网络AlexNet 通过强大的分层特征学习能力在ImageNet分类任务中夺魁，其分类结果比传统算法要好得多 . 之后 Girshirk等基于此提出通用的目标检测模型RCNN.[14]传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。
[1]传统的目标检测识别方法难以适应海量高分辨率遥感影像数据，需要寻求一种能够自动从海量影像数据中学习最有效特征的方法，充分复挖掘数据之间的关联。
自从 Hinton 提出利用神经网络对多媒体数据中的高层特征进行自动学习以来，基于深度学习的目标检测已成为计算机视觉领域中一个重要的研究热点，其旨在从图像中定位感兴趣的目标，准确判断每个目标的类别，并给出每个目标的边界框。
一般地，传统目标检测算法主要包括预处理、窗口滑动、特征提取、特征选择、特征分类和后处理等。
[2]传统的遥感图像目标检测方法主要针对单类目标，方法简单易行，但是难以对多类目标同时进行检测。
当前多类目标检测方法主要采用基于显著度的区域提取与分类相结合的方法，而这种方法在多类目标检测任务中取得了较好的检测效果，但仍然是一个多步骤的检测流程，一方面区域预测算法计算消耗较大，且区域预测的准确与否严重影响后续的分类精度；另一方面，分类模型的好坏取决于区域特征的提取，传统的手工设计特征依赖于专业知识和数据本身的特性，难以有效地区分不同目标。
此外，目标检测本质是一个回归任务，将区域预测与区域分类分割开来难以取得理想的检测结果。
[1]在过去的 10 年里,目标检测在计算机视觉领域受到了热烈的关注,出现了越来越多的有关目标检测的论文发表。
它是许多计算机视觉任务如图像分割、目标追踪、图像描述的基础.其中包含了目标检测方法的理论创新,和对已有目标检测模型的改进和推广应用.由于在目标检测过程中各类目标的大小,形状,姿态等各有不同,同时还受到外部条件如光线,遮挡等原因影响,给目标检测带来了一系列困难,国内外许多学者都对此进行了系统性的研究。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
