目标检测的目的是在图像或视频中识别特定目标物体的类别和位置，在视频监控、自动驾驶、军事侦察、工业自动化等领域都得到了广泛的应用。近年来基于深度神经网络的目标检测所具有的强大学习能力，使得目标检测性能获得了突破性的发展。但是在复杂检测环境下同类目标存在的表观差异，以及非同类目标的表观相似性，使得高精度和鲁棒目标检测依然是具有挑战性的任务。多视图学习能够很好利用不同视图特征之间的互补性，我们通过多层级图像内容提取构造多视图特征信息，设计具有信息融合和过滤功能的双通道交互深度神经网络，多视图信息融合可以学习不同视图包含的独有信息，使得提取的目标特征能够包含多样的目标特征分布，而多视图信息过滤通过视图之间的信息不一致性去除噪声和非重要信息的影响，两者结合实现对于多尺度目标在复杂背景下的准确检测。我们在遥感图像和地面图像上的实验表明提出方法相比当前的主流深度目标检测学习方法，对于大尺度变化目标检测上有较明显的优势。
本研究成果已投IEEE Transactions on Geoscience and Remote Sensing