摘要
随着遥感技术的不断发展，卫星遥感图像的获取成本不断降低，图像质量和分辨率也不断提高。不同分辨率的遥感图像有其不同的用途，高分辨率遥感图像适用于精确呈现和定位目标，低分辨率遥感图像适用于海洋勘探、海上搜救等宽幅场景。 现有的基于深度学习的遥感图像目标检测模型仍然存在一定的缺陷，例如对尺度差异大的目标检测能力较低、噪声干扰严重的目标特征提取困难以及密集目标漏检等问题。因此，为了解决这些问题，本文提出了反向尺度转移层以及双通道多尺度特征融合模型，通过特征层信息双向流通来提取较为全面的特征信息，适用于目标位置敏感的任务，从而实现对多分辨率条件下目标的精准检测。通过多个实验在构建的多分辨率数据集上证明了所提出模型的有效性以及优越性。 与此同时，由于遥感图像存在图幅大以及分辨率多等特点，解译时间较长。为了缩短解译时间，本文提出了高速大图幅遥感图像检测方法，通过将读图与检测图进行解耦，解决了并行检测时各个线程执行时间不平衡的问题，并使用行分解的方式来更快地读取图像，从而达到提高大图幅遥感图像解译效率的目的。通过多个实验验证了高速大图幅遥感图像检测方法的有效性。 最后，随着大图幅遥感技术的发展，使得相关从业人员上手成本大，门槛高。为了提升相关从业人员的工作效率，实现对于多分辨率遥感图像中目标的智能化检测识别。本文设计实现了高速多分辨率遥感图像目标检测系统，在一定程度上解决了用户上手成本高的痛点。该系统通过提供目标检测、图像浏览以及数据管理三大功能，提高相关从业人员对于遥感图像的解译效率。
NETL