基于视觉Transformer检测器（ViTDet）的航拍图像目标检测
计算机视觉与模式识别
2023-02-03 v2
摘要
过去几年，由于航拍图像目标检测对大规模地球科学研究（如环境研究、城市规划和情报监测）的关键价值，人们对其兴趣日益增加。然而，由于鸟瞰视角、复杂背景、大而多样的图像尺寸、物体外观各异以及标注良好数据集的稀缺，该任务极具挑战性。计算机视觉的最新进展为应对这一挑战带来了希望。具体而言，视觉Transformer检测器（ViTDet）被提出用于提取多尺度特征以进行目标检测。实证研究表明，ViTDet 的简单设计在自然场景图像上取得了良好性能，并且可以轻松嵌入到任何检测器架构中。迄今为止，ViTDet 对具有挑战性的航拍图像目标检测的潜在益处尚未被探索。因此，在我们的研究中，进行了 25 组实验，在三个知名数据集上评估 ViTDet 用于航拍图像目标检测的有效性：Airbus Aircraft、RarePlanes 和航拍图像目标检测数据集（DOTA）。我们的结果表明，ViTDet 在水平边界框（HBB）目标检测上以较大优势（平均精度上最高达 17%）持续优于其卷积神经网络对应方法，并且在定向边界框（OBB）目标检测上取得了具有竞争力的性能。我们的结果也为未来研究建立了基线。
引用
@article{arxiv.2301.12058,
title = {Aerial Image Object Detection With Vision Transformer Detector (ViTDet)},
author = {Liya Wang and Alex Tien},
journal= {arXiv preprint arXiv:2301.12058},
year = {2023}
}