摘要：更快速區(qū)域卷積神經(jīng)網(wǎng)絡(faster region-based convolutional neural network,Faster RCNN)是兩階段的目標檢測模型,通過區(qū)域生成網(wǎng)絡將區(qū)域提議與識別完全融合到網(wǎng)絡模型中,使主要的運算可以在圖形處理器中完成,因此,其同時具有良好的檢測速度與精度。但是當Faster RCNN直接應用于遙感圖像目標檢測,面對寬尺寸范圍的多種目標時,性能受到了很大削弱。分析了池化操作和目標尺寸對區(qū)域提議的影響,提出聯(lián)合多層次特征進行區(qū)域提議的方法,提升了目標區(qū)域的提議召回率。針對性地優(yōu)化前景樣本的生成策略,避免訓練過程中的產(chǎn)生無效前景樣本,使得整個檢測模型的訓練更加高效。實驗結果表明,所提出的模型和訓練方法能夠提高多尺度遙感圖像目標的召回率與檢測精度,且具備較高的訓練效率。