1.2　研究内容和创新点

基于上述存在的挑战，本部分的总体研究内容包括：在复杂背景下小目标的检测与识别中，针对背景复杂引起的前、背景分离难的问题，提出了上下文信息指导的小目标检测方法，达到了复杂背景下小目标精确定位的效果；针对目标特性的复杂性，提出了信息补偿机制的小目标识别方法，达到了复杂背景下小目标准确识别的效果；针对数据不完备性导致的模型对训练样本过拟合问题，提出了样本方向属性指导的数据增强方法，通过提升数据完备性，降低数据过拟合风险；在遥感图像飞机检测的实际应用中，应用本书所提出的小目标检测、识别和数据增强的研究方法，提出了结合数据增强、区域推荐和PHOG的飞机快速检测方法。

1.2.1　研究内容

本部分研究以检测、识别和数据增强为方法主线，由点扩展、逐层深入展开研究。图1.4描述了总体研究内容和子研究内容之间的逻辑关系，上层的框图表示总体研究内容，中间层框图表示本部分研究的三大挑战和一个需求，下层框图给出了4个具体的研究内容。绿色箭头表示研究内容，一为研究内容二筛选了感兴趣区域，最底层的黑色的曲线表示研究内容三用于研究内容一、研究内容二和研究内容四的数据增强。

图1.4　总体研究内容和子研究内容之间的逻辑关系

具体研究内容如下：

（1）上下文信息指导的复杂场景小目标检测。针对背景复杂引起的前背景分离难的问题，本部分研究上下文信息指导的复杂场景下小目标的检测方法，提出了基于相似度矩阵的小目标聚类模型，在保证小目标高召回率的情况下，引入上下文信息剔除候选区域中存在大量背景，从而提高小目标的检测的性能。

（2）信息补偿机制的复杂场景下小目标识别。针对小目标自身携带信息匮乏的问题，本部分提出了基于特征学习生成对抗网络的小目标识别模型。通过学习不同分辨率图像之间的差异，特征生成网络将低分辨率图片的原始特征转化为具有高区分性的特征，从而缩小高分辨率特征和低分辨率特征之间的差异。

（3）样本方向属性指导的数据增强方法。针对数据的不完备性导致的模型对训练样本的过拟合问题，提出了样本方向属性指导的数据增强方法。该方法通过将样本旋转特定角度的方式，使训练样本在方向分布上充分覆盖物理世界中样本的分布，以提升数据方向完备性，最终降低模型在训练过程中过拟合的可能性。

（4）飞机快速检测实际应用。在遥感图像飞机检测的实际应用中，应用本部分所提的小目标检测、识别和数据增强的研究方法，提出了基于区域推荐和PHOG的飞机快速检测和识别方法。该方法构建简单高效的目标候选区初级特征描述子，实现高效的候选区域价值评判和候选区域推荐，从而提高小目标检测算法的性能。

针对上述4项研究内容，分别设计新颖的模型算法。每个模型算法的研究均包括理论建模、模型学习、模型推理、性质分析和算法实现等一整套完整的解决方案。

1.2.2　特色创新

本部分的核心贡献在于从上下文信息、信息补偿和数据增强3个角度，提取源域的知识来修正目标域中的样本分布，从而提升检测和识别系统的能力，如图1.5所示。

图1.5　复杂场景下的小目标检测与识别研究的总体技术路线

特色创新总结如下：

（1）提出了上下文信息指导的小目标检测方法，解决了环境的复杂性导致背景区域和小目标难以分离的问题。该方法引入了上下文信息约束，以修正原始背景和小目标可分性差的分布，从而剔除了候选区域中存在的大量复杂背景区域，显著提升了复杂场景下小目标检测的准确率。

（2）提出了一种新型信息补偿机制，解决了神经网络分类器难以提取小目标特征的问题。基于这种补偿机制的识别算法能够学习到高、低质量目标之间的残差信息，并将这种残差信息补偿至小目标特征中，显著提高复杂场景小目标识别的准确率。

（3）提出了一种新颖的通道注意力机制，解决了小目标特征利用率低的问题。基于这种注意力机制的深度学习模型，更加关注信息丰富特征而忽略信息稀疏特征，以增强小目标特征的质量。

（4）提出了样本方向指导的数据增强方法，解决了数据的方向不完备性问题。该方法改变了传统盲增强方法生成低质样本或无效样本的情况，通过提高测试集和训练集在方向分布方面的相似性，以提高数据方向完备性，从而显著增强了小目标检测与识别的准确率。

（5）构建了一个遥感图像低分辨率舰船检测与识别的数据集WIDER-SHIP，该数据集是专门针对低分辨率的舰船识别任务构建的。已有的舰船数据集有专门针对舰船检测任务（DOTA）[43]，而该类数据集没有舰船子类的标注信息，因此无法进行舰船分类任务；安装在港口的闭路相机所捕获的数据（Seaship）[44]并不是遥感图像；有仅包含高分辨率图像的舰船数据集，如HRSC[45]。本部分构建的WIDER-SHIP填补了遥感图像低分辨率舰船识别领域的研究。