目标识别是高分遥感影像解译的核心环节，漏检率和虚警率是目标识别方法的两项主要评价指标，前者要求好的推广能力，后者要求高的严格性，因此现有方法很难对两者进行兼顾。最新成果表明，基于Exemplar-Classifier 思想对目标识别中的模板和分类方法进行集成，可使目标识别方法兼具模板方法的严格性和分类方法的推广性，同时降低漏检率和虚警率。目前该思想只应用于计算机视觉领域，在遥感领域尚无应用。申请者提出将该思想引入高分遥感影像目标识别中，通过两个关键问题的解决实现其应用。首先基于非线性降维、聚类等手段研究样本约简和优化组织方法，解决高分遥感影像成像状态多样性带来的正样本集膨胀和构建困难问题；然后基于尺度和空间信息，建立多层次局部可变模型，解影像超高分辨率引起的复杂目标描述困难问题。最终，得到一种能够同时改善虚警率和漏检率的高分遥感影像目标识别新方法，这对高分遥感影像自动解译具有重要意义。

    项目的技术路线如下：

方法应用：    

1 Gigapan全景人目标检测：

Shaoming Zhang, Sheng Yu*, Qingyu Ma, Pengchao Shang, Popo Gui, Jianmei Wang, Tiantian Feng. Pedestrian Counting for a Large Scene using a GigaPan Panorama and Exemplar-SVMs, International Conference on Computing Intelligence and Security. Oral Presentation. EI，录用

2 基于DPM的聚集船只检测：

3 基于Mid-Level特征的机场检测：