ABOShips——一个具有精确标注的近岸与离岸海上船舶检测数据集
计算机视觉与模式识别
2021-02-12 v1 机器学习
摘要
领域特定数据集的可用性是目标检测中的一个关键问题。近岸与离岸海上船舶检测也不例外，解决此需求的研究数量有限。为此，我们采集了一个海上船舶图像数据集，并考量了不同因素：背景变化、大气条件、光照、可见比例、遮挡和尺度变化。船舶实例（包括 9 种船舶类型）、航标及杂项漂浮物均被精确标注：我们先进行第一轮标注，随后使用 CSRT [1] 跟踪器追踪不一致之处并重新标注不恰当的标签实例。此外，我们评估了四种主流目标检测算法（Faster R-CNN [2]、R-FCN [3]、SSD [4] 和 EfficientDet [5]）的即用性能。这些算法此前已在 Microsoft COCO 数据集上训练。我们基于特征提取器和物体尺寸比较其准确率。实验表明，采用 Inception-Resnet v2 的 Faster R-CNN 优于其他算法，但在大物体类别中 EfficientDet 超越了前者。
引用
@article{arxiv.2102.05869,
title = {ABOShips -- An Inshore and Offshore Maritime Vessel Detection Dataset with Precise Annotations},
author = {Bogdan Iancu and Valentin Soloviev and Luca Zelioli and Johan Lilius},
journal= {arXiv preprint arXiv:2102.05869},
year = {2021}
}