Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery

Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery

面向无约束遥感图像的多分类目标检测

论文地址: https://arxiv.org/abs/1807.02700

好像没有代码

《ReDet》论文中的定向对象检测:

为了检测任意方向的目标,一些方法[1,22,43]采用了许多具有不同角度、比例和长宽比的旋转锚框,以便更好地回归,同时增加了计算复杂性。(参考文献1) 

Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery

摘要

遥感图像无约束场景下的多类目标自动检测在交通监控和灾害管理等多个应用领域都具有重要意义。对象的规模、方向、类别和复杂背景的巨大差异,以及不同的摄像机传感器给当前的算法带来了巨大的挑战。在本研究中,我们提出一种新的联合图像级联和特征金字塔网络与多尺度卷积核组成的方法来提取多尺度的强和弱语义特征。这些特征被输入到基于旋转的区域提议和感兴趣的区域网络中来产生目标检测。最后,采用旋转非最大抑制来消除冗余检测。在训练期间,我们最小化联合水平和有方向的边界盒损失函数,以及一个新的损失,强制有方向的盒是矩形的。在具有挑战性的DOTA数据集上,我们的方法在水平方向上实现了68.16%的mAP,在有方向的包围盒检测任务上实现了72.45%的mAP,比所有发布的方法都有了很大的提高(绝对改善分别为+6%和+12%)。此外,它还推广到其他两个数据集,NWPU VHR-10和UCAS-AOD,即使在DOTA上训练,也能获得与基线相当的结果。我们的方法可以部署在多类目标检测应用,无论图像和目标的规模和方向,使它成为一个伟大的选择无约束的航空和卫星图像。

上一篇:Towards a Deep and Unified Understanding of Deep Neural Models in NLP


下一篇:论文学习:ApproxiFuzzer: Fuzzing towards Deep Code Snippets in Java Programs(IEEE‘21)