本文提出了基于深度学习的LV-Net算法，采用L形和V形两个核心模块来从光学遥感图像中检测显著物体， 并构建了一个含有800张图像的公共数据集。实验证明，该算法在质量和数量上均优于现有算法。

Jun, 2019

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

本文提出了一种更具挑战性的新的CoSOD基准数据集CoSOD3k，整合了现有的SOD技术以构建统一的可训练CoSOD框架CoEG-Net，并全面总结了40项尖端算法，并在三个挑战性的CoSOD数据集上进行了性能分析，旨在推动CoSOD社区的发展。

Jul, 2020

本文介绍了一种基于Dense Attention Fluid network的Remote Sensing Images (RSIs)显著性检测方法，提出了新的Global Context-aware Attention (GCA)和cascaded pyramid attention模块，并构建了包含2,000个图像的新型RSI数据集进行实验证明了该方法的明显优越性。

Nov, 2020

本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法，实验表明其定量和定性性能均优于现有最优方法。

Oct, 2021

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

基于全局到局部范式，提出了一种用于光学遥感图像中显著目标检测的全局提取局部探索网络 (GeleNet)。GeleNet首先采用Transformer骨干网络生成四级特征嵌入以捕获全局远程依赖性。然后，GeleNet利用方向感知的混洗加权空间注意力模块 (D-SWSAM) 和其简化版本 (SWSAM) 增强本地交互，并利用知识传输模块 (KTM) 进一步增强跨级上下文交互。最后，根据上述三个模块的输出，使用显著性预测器生成显著性图。对三个公共数据集进行的广泛实验证明所提出的GeleNet优于相关最先进方法。

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

该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

Jan, 2024

利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

Apr, 2024