[1] WU X, LI W, HONG D F et al. Deep learning for unmanned aerial vehicle-based object detection and tracking： a survey[J]. IEEE Geoscience and Remote Sensing Magazine, 10, 91-124(2022).

[2] SRIVASTAVA S, NARAYAN S, MITTAL S. A survey of deep learning techniques for vehicle detection from UAV images[J]. Journal of Systems Architecture, 117, 102152(2021).

[3] [3] 范丽丽， 赵宏伟， 赵浩宇， 等. 基于深度卷积神经网络的目标检测研究综述［J］. 光学 精密工程， 2020， 28（5）： 1152-1164.FANL L， ZHAOH W， ZHAOH Y， et al. Survey of target detection based on deep convolutional neural networks［J］. Opt. Precision Eng.， 2020， 28（5）： 1152-1164.（in Chinese）

[4] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 60, 84-90(2017).

[5] [5] 杜达宽， 孙剑峰， 丁源雪， 等. 基于GM-APD激光雷达数据融合的小目标检测［J］. 光学 精密工程， 2023， 31（3）： 393-403. doi: 10.37188/OPE.20233103.0393DUD K， SUNJ F， DINGY X， et al. Small object detection based on GM-APD lidar data fusion［J］. Opt. Precision Eng.， 2023， 31（3）： 393-403.（in Chinese）. doi: 10.37188/OPE.20233103.0393

[6] [6] 江波， 屈若锟， 李彦冬， 等. 基于深度学习的无人机航拍目标检测研究综述［J］. 航空学报， 2021， 42（4）： 131-145.JIANGB， QUR K， LIY D， et al. Object detection in UAV imagery based on deep learning： review［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 131-145. （in Chinese）

[7] [7] 张丽丽， 陈真， 刘雨轩， 等. 基于ZYNQ的Yolo v3-SPP实时目标检测系统［J］. 光学 精密工程， 2023， 31（4）： 543-551. doi: 10.37188/ope.20233104.0543ZHANGL L， CHENZ， LIUY X， et al. Yolo v3-SPP real-time target detection system based on ZYNQ［J］. Opt. Precision Eng.， 2023， 31（4）： 543-551.（in Chinese）. doi: 10.37188/ope.20233104.0543

[8] GONG Y Q, YU X H, DING Y et al. Effective Fusion Factor in FPN for Tiny Object Detection[C], 1159-1167(3).

[9] LIN T Y, DOLLÁR P, GIRSHICK R et al. Feature pyramid networks for object detection[C], 936-944(21).

[10] LI H, XIONG P, AN J et al. Pyramid attention network for semantic segmentation[J]. arXiv preprint(2018).

[11] CHEN C Y, LIU M Y, TUZEL O et al. R-CNN for Small Object Detection[M]. Computer Vision - ACCV 2016, 214-230(2017).

[12] LI J N, LIANG X D, WEI Y C et al. Perceptual Generative Adversarial Networks for Small Object Detection[C], 1951-1959(21).

[13] DENG L, LI G Q, HAN S et al. Model compression and hardware acceleration for neural networks： a comprehensive survey[J]. Proceedings of the IEEE, 108, 485-532(2020).

[14] YANG C, HUANG Z H, WANG N Y. QueryDet： cascaded sparse query for accelerating high-resolution small object detection[C], 13658-13667(2022).

[15] [15] 黄海生， 饶雪峰. 面向无人机航拍场景的轻量化目标检测［J］. 计算机系统应用， 2022， 31（12）： 159-168.HUANGH S， RAOX F. Lightweight object detection for drone-captured scenarios［J］. Computer Systems & Applications， 2022， 31（12）： 159-168.（in Chinese）

[16] ZHU X K, LYU S C, WANG X et al. TPH-YOLOv5： improved yolov5 based on transformer prediction head for object detection on drone-captured scenarios[C], 2778-2788(11).

[17] WANG J, XU C, YANG W et al. A normalized Gaussian Wasserstein Distance for Tiny Object Detection[webpage]. arXiv, 2110-13389(2021). https：//arxiv.org/abs/2110.13389.pdf

[18] REZATOFIGHI H, TSOI N, GWAK J et al. Generalized intersection over union： a metric and a loss for bounding box regression[C], 658-666(15).

[19] ZHENG Z H, WANG P, LIU W et al. Distance-IoU loss： faster and better learning for bounding box regression[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 34, 12993-13000(2020).

[20] BAE S H. Object detection based on region decomposition and assembly[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 33, 8094-8101(2019).

[21] CHEN J, KAO S H, HE H et al. Run， Don’t Walk： Chasing Higher FLOPS For Faster Neural Networks[webpage]. arXiv, 2303-03667(2023). https：//arxiv.org/abs/2303.03667.pdf

[22] REDMON J, DIVVALA S, GIRSHICK R et al. You only look once： unified， real-time object detection[C], 779-788(27).

[23] REDMON J, FARHADI A. YOLOv3： An Incremental Improvement[webpage]. arXiv, 1804-02767(2018). https：//arxiv.org/abs/1804.02767.pdf

[24] [24] 马立， 巩笑天， 欧阳航空. Tiny YOLOV3目标检测改进［J］. 光学 精密工程， 2020， 28（4）988-995MAL， GONGX T， OUYANGH K. Improvement of Tiny YOLOV3 target detection［J］. Opt. Precision Eng.， 2020， 28（4）988-995. （in Chinese）

[25] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection[webpage]. arXiv, 2004-10934(2020). https：//arxiv.org/abs/2004.10934.pdf

[26] [26] 李想， 特日根， 仪锋， 等. 针对全球储油罐检测的TCS-YOLO模型［J］. 光学 精密工程， 2023， 31（2）： 246-262. doi: 10.37188/OPE.20233102.0246LIX， TER G， YIF， et al. TCS-YOLO model for global oil storage tank inspection［J］. Opt. Precision Eng.， 2023， 31（2）： 246-262.（in Chinese）. doi: 10.37188/OPE.20233102.0246

[27] DU D W, ZHU P F, WEN L Y et al. VisDrone-DET2019： the vision meets drone object detection in image challenge results[C], 213-226(27).

[28] HAN K, WANG Y H, TIAN Q et al. GhostNet： more features from cheap operations[C], 1577-1586(13).

[29] LI Z, PENG C, YU G et al. Light-head R-CNN： In Defense of Two-Stage Object Detector[webpage]. arXiv, 1711-07264(2017). https：//arxiv.org/abs/1711.07264.pdf

[30] CAI Z W, VASCONCELOS N. Cascade R-CNN： delving into high quality object detection[C], 6154-6162(18).

[31] LIN T Y, GOYAL P, GIRSHICK R et al. Focal loss for dense object detection[C], 2999-3007(22).