针对交通标志在某些场景中存在分辨率过低、被覆盖等环境因素影响导致在目标检测任务中出现漏检、误检的情况，提出一种基于改进注意力机制的交通标志检测算法。首先，针对交通标志因破损、光照等环境影响造成图像分辨率低从而导致网络提取图像特征信息有限的问题，在主干网络中添加注意力模块以增强目标区域的关键特征；其次，特征图中相邻通道间的局部特征由于感受野重叠而存在一定的相关性，用大小为k的一维卷积代替通道注意力模块中的全连接层，以达到聚合不同通道信息和减少额外参数量的作用；最后，在路径聚合网络（PANet）的中、小尺度特征层引入感受野模块来增大特征图的感受野以融合目标区域的上下文信息，从而提升网络对交通标志的检测能力。在中国交通标志检测数据集（CCTSDB）上的实验结果表明，所提出的YOLOv4（You Only Look Once v4）改进算法在引进极少的参数量与原算法检测速度相差不大的情况下，平均精确率均值（mAP）达96.88%，mAP提升了1.48%；而与轻量级网络YOLOv5s相比，在单张检测速度慢10 ms的情况下，所提算法mAP比YOLOv5s高3.40个百分点，检测速度达到40?frame/s，说明该算法完全满足目标检测实时性的要求。

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题，建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型，经过主干网络提取特征，并改造原有检测器结构，即加入角度回归分支进行目标角度回归；然后提出一种基于非对称卷积的特征增强模块，并将主干网络提取到的特征图输入特征增强模块，从而增强目标的旋转不变性特征，消除由于目标的旋转、翻转带来的影响，进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时，该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点，每秒处理帧数（FPS）提升了7.5；在自建数据集Ship3上，该方法的mAP比RRPN提升了8.68个百分点，FPS提升了6.5。结果表明，所提方法能获得检测精度和速度的平衡。