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

本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战，并着重讨论深度学习系统的未解决的挑战和机遇，包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。

Sep, 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

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

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

本研究旨在填补深度学习在基于对象的图像分析（OBIA）中的应用空白，探讨其整合中的挑战和策略。文章综合回顾了OBIA的任务子领域，并提出了应对深度学习处理非结构化对象数据限制的五种主要策略，旨在启发对这一被忽视领域的进一步研究。

Aug, 2024