基于真实分布迁移对卫星图像目标检测器进行基准测试
计算机视觉与模式识别
2025-03-26 v1
摘要
目标检测模型已在众多应用中取得显著性能；然而，这些深度学习模型通常基于i.i.d.假设设计，即训练和评估的数据来自相同的（源）分布。在实际部署情况下，目标分布常与源数据不同，导致性能显著下降。域概括（Domain Generalisation, DG）旨在通过使模型能够在训练时不访问目标分布的情况下，对Out-Of-Distribution（OOD）数据进行泛化，从而增强对未见情况的鲁棒性。本文聚焦于在真实分布迁移下，对领先水平目标检测器的可塑性和鲁棒性进行考察，特别关注空间域迁移。尽管存在这一需求，但目前缺乏一个针对真实DG情景下目标检测的标准化基准数据集。为此，我们引入Real-World Distribution Shifts（RWDS），由三套新型DG基准数据集组成，聚焦于人道主义和气候变化应用。这些数据集使我们能够探讨（i）气候区域间的域迁移，（ii） various disasters（各种灾害）和地理区域间的迁移。据我们了解，这些是首个为目标检测在真实世界、高影响情境下设计的DG基准数据集。我们希望这些数据集为评估未来目标检测模型的鲁棒性和可塑性提供有价值的资源。我们的数据集和代码已发布于 https://github.com/RWGAI/RWDS。
引用
@article{arxiv.2503.19202,
title = {Benchmarking Object Detectors under Real-World Distribution Shifts in Satellite Imagery},
author = {Sara Al-Emadi and Yin Yang and Ferda Ofli},
journal= {arXiv preprint arXiv:2503.19202},
year = {2025}
}
备注
Accepted at CVPR 2025