Active-SAOOD：遥感图像中的主动稀疏标注有向目标检测
计算机视觉与模式识别
2026-05-12 v1
摘要
降低遥感中有向目标检测的标注成本仍然是一项重大挑战。最近，稀疏标注因能有效减少密集遥感场景中的标注冗余而受到关注。然而， 稀疏数据对类别相关采样的依赖，以及 对稀疏样本特征缺乏深入研究，阻碍了其进一步发展。本文提出了一种基于主动学习的稀疏标注有向目标检测（SAOOD）方法，称为 Active-SAOOD。基于模型状态观察模块，Active-SAOOD 通过联合考虑方向、分类和定位不确定性以及类间和类内多样性，在实例级主动选择最适合当前模型状态的最有价值的稀疏样本。这种设计使 SAOOD 能够在完全随机初始化的稀疏标注下稳定运行，并将其适用性扩展到更广泛的现实场景。在多个数据集上的实验表明，在各种随机稀疏标注下，Active-SAOOD 显著提高了现有 SAOOD 方法的性能和稳定性。特别是，在仅有 1\% 标注比例的情况下，它比基线获得了 9\% 的性能提升，进一步增强了 SAOOD 在遥感中的实用价值。代码将开源。
引用
@article{arxiv.2605.10162,
title = {Active-SAOOD: Active Sparsely Annotated Oriented Object Detection in Remote Sensing Images},
author = {Yu Lin and Jianghang Lin and Kai Ye and Shengchuan Zhang and Liujuan Cao},
journal= {arXiv preprint arXiv:2605.10162},
year = {2026}
}