本文介绍了一个大规模的遥感图像数据集DOTA，该数据集为地球观测和遥感领域中的目标检测提供了基础，并提出了一种基准模型和评测方法。

Nov, 2017

本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即DIOR数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019

本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

Jun, 2020

本文提出了一种名为CFC-Net的网络，该网络使用判别式特征来提高遥感图像中对象的检测精度，并通过构建强大的特征表示、优化预设锚点和优化标签分配等方面来改进检测性能。实验结果表明，在三个远程感应数据集中，与许多最先进的方法相比，该方法实现了卓越的检测性能。

Jan, 2021

本研究介绍了一个大规模的DOTA数据集，包括从11,268个航拍图像中收集的18个分类的定向边界框注释的1,793,658个物体实例，并基于此构建了覆盖70多种配置的10种最新算法的基线，还提供了ODAI的代码库和用于评估不同算法的网站。

Feb, 2021

本文比较了多模式遥感下物体检测的方法，调查了适合评估的多模式数据集并讨论了未来方向。

Jul, 2023

遥感物体检测是遥感领域中最基本和具有挑战性的任务之一，深度学习技术在近年来展现出强大的特征表示能力，并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果，涵盖了300多篇论文。我们在遥感物体检测中确定了五个主要挑战，包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测，并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标，以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。

Sep, 2023

提出了一种基于自我训练的少样本目标检测(ST-FSOD)方法，通过引入自我训练机制和学生-教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023

本文旨在使用仅有少量示例来进行卫星图像中的目标检测，从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器，其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型，并与区域建议内容进行标签预测。另外，我们提出在可用的训练图像上微调原型，以提高性能并学习类似类别之间的差异，例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外，我们研究了视觉和图像文本特征的性能，即DINOv2和CLIP，包括专门针对遥感应用的两个CLIP模型。结果表明，视觉特征在很大程度上优于视觉语言模型，因为后者缺乏必要的领域特定词汇。最后，尽管训练参数很少，但开发的检测器在SIMD和DIOR数据集上表现出优于全监督和少样本方法的性能。

Mar, 2024

评估和比较适用于识别卫星图像中飞机的一套先进目标检测算法，并使用HRPlanesV2数据集和GDIT数据集进行验证，研究表明YOLOv5是特定情况下从遥感数据中识别飞机的最佳模型，具有高精度和适应性。

Apr, 2024