本文是关于光学遥感图像中物体检测的文献综述，涵盖目标检测的众多方法，包括基于模板匹配、基于知识、机器学习等，同时讨论现有研究的挑战并提出两个有潜在发展的研究方向，即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。

Mar, 2016

本文系统评述了现有远程感知图像场景识别数据集和方法存在的局限性，提出了一个大规模数据集NWPU-RESISC45，该数据集包含31,500张图像，提供了准确、全面和多样化的评估基准，为深度学习等算法提供了便利。

Mar, 2017

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

本文介绍了RSSOD-Bench数据集的构建和基准性能测试，该数据集旨在解决遥感图像中显着对象检测（SOD）任务的局限性问题。

Jun, 2023

该研究是对遥感影像分类和物体检测模型的鲁棒性进行综合研究和基准评估，并提供了数据集资源，通过对不同分类器和探测器的严格评估，找到了关于敌对噪声制备和模型训练的深入认识，并为开发更具弹性和鲁棒性的模型提供指导。

Jun, 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

提出了一种新的注重注意力的特征蒸馏（AFD）方法，通过从教师检测器中蒸馏本地和全局信息，实现了目标检测模型在资源有限的边缘设备上的高效性能。

Oct, 2023

提出了一种远程感知物体检测的新型相互优化预训练框架MutDet，通过相互增强模块、对比对齐损失和辅助孪生头部，解决了实例在特征提取和对齐过程中的差异性，显著提升了迁移性能。

Jul, 2024