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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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