模型 | 优点 | 缺点 | 检测精度 | GoogLeNet[12] | 引入超分辨率重建算法加强车辆特征信息 | 对密集目标检测效果差 | 自制遥感影像数据集上精度为0.75 | AVPN+VALN[13] | 提出VALN网络实现车辆方向信息检测,融合深浅层特征信息以提高小目标检测精度 | 网络结构复杂,训练检测时间成本较高 | DLR[14]数据集上精度为0.92 | ZF[15] | 针对数据集自身特点,结合区域生成网络设置3种对应大小及比例的锚框,加快了检测速度 | 数据量小、来源单一,模型检测鲁棒性较差 | 自制遥感影像数据集上精度为0.88 | DF-RCNN[16] | 融合深浅层特征信息、引入可变形卷积和可变形感兴趣区域池化,改善密集区域小目标检测效果 | 网络计算量较大,检测耗时较长 | 自制Google Earth数据集上精度为 0.94 | VGGNet[17] | 网络层数可以随数据集图像大小进行调整 | 图像深层特征提取不充分,没有充分利用上下文语义信息 | 自制Google Earth数据集上精度为 0.89 | VGG-16[18] | 基于超像素分割提取道路区域进行车辆检测,缩小了检测范围 | 操作较为复杂,检测时间较长,对于非道路区域内车辆会造成漏检 | DOTA[19]数据集上精度为0.73 | SORCN[20] | 加入道路区域分割提高检测精度 | 运行速度较慢,无法预测车辆方向信息,模型抗干扰性差,对于非道路区域内车辆无法检测 | 自制Google Earth数据集上精度为 0.96 | Faster R-CNN++[21] | 对遥感影像车辆进行多尺度融合及数据增强,提高了模型鲁棒性与小目标检测精度 | 检测速度较慢,无法实现车辆方向检测 | DLR数据集上精度为0.57; Potsdam[22]数据集上精度为0.67; VEDAI[23]数据集上精度为0.458 |
|