【摘 要】随着深度学习的快速发展，近年来越来越多的基于锚框的目标检测算法被应用于遥感图像上，然而提高算法精度的代价是牺牲了检测速度。因此，选择无锚框的目标检测网络框架，针对遥感场景的特点，提出了一种旋转框的遥感检测算法。根据旋转框与其外接矩形框的空间位置关系，提出了一种简单有效的旋转框表示方式。此外，设计了一种用于辅助检测旋转目标的角度敏感的空间注意力机制，通过引入角度信息提升模型对旋转目标的检测能力。提出的算法在公开遥感数据集DOTA上进行了实验，旋转框的目标检测网络的平均精度均值达到了68.5%，检测速度达到了每秒17.4帧图像。
【关键词】旋转检测 ; 遥感图像 ; 无锚框 ; 注意力机制
1.引言
在遥感图像的处理技术中，目标检测是一个重点研究对象。将目标检测与遥感图像结合，可以在地球表面资源评估、自然灾害预警、军事领域等方面提供巨大的帮助。因此，研究目标检测在遥感图像上的应用是非常有必要的。
在目标检测中，不同于常规图像，遥感图像的检测难度更大。在大尺寸遥感图像中的目标识别（例如船舶、飞机和车辆检测）是一项具有挑战性的任务，因为目标的尺寸小且数量大，并且周围环境复杂，这可能导致检测模型将无关的地面物体误认为目标。而自然图像中的物体相对较大，并且与遥感图像相比，局部区域中的环境并不复杂，因此更易于识别目标。这是检测遥感目标和自然目标的主要区别之一。
目标检测中使用的深度学习方法可以分为两大类：无监督方法和有监督方法。无监督方法从输入数据中学习特征，无须了解相关标签或其他监管信息，而有监督方法则使用输入数据以及附加到输入的监管信息来有区别地学习特征。但是ÿ