引导高分辨率卫星影像中的稀有目标检测
计算机视觉与模式识别
2024-03-06 v1 人工智能
摘要
稀有目标检测是应用地理空间机器学习的一项基本任务，但由于存在大量高分辨率卫星或航空影像，且初始标记的正样本极少甚至没有，该任务往往极具挑战性。本文解决了在假设没有标记数据且感兴趣区域没有空间先验的情况下，引导此类稀有目标检测任务的问题。我们提出了新颖的离线和在线基于聚类的补丁采样方法，在向人工标注者暴露正样本方面，其效率显著高于随机采样。我们将这些方法应用于识别肯尼亚和坦桑尼亚塞伦盖蒂 - 马拉地区的 bomas（即群居动物的小型围栏）。我们证明了检测效率的显著提升，将正样本采样率从 2%（随机）提高到 30%。这一进展使得即使在标记预算极少的情况下也能进行有效的机器学习制图，例如在总补丁预算为 300 的情况下，boma 检测任务的 F1 分数达到了 0.51。
引用
@article{arxiv.2403.02736,
title = {Bootstrapping Rare Object Detection in High-Resolution Satellite Imagery},
author = {Akram Zaytar and Caleb Robinson and Gilles Q. Hacheme and Girmaw A. Tadesse and Rahul Dodhia and Juan M. Lavista Ferres and Lacey F. Hughey and Jared A. Stabach and Irene Amoke},
journal= {arXiv preprint arXiv:2403.02736},
year = {2024}
}