深入探究无人机鲁棒目标检测：一种深度干扰解耦方法
计算机视觉与模式识别
2020-10-06 v2
摘要
从无人机（UAVs）捕获的图像中进行目标检测正变得日益有用。尽管在地面到地面图像上训练的通用目标检测方法取得了巨大成功，但将其直接应用于 UAV 捕获的图像时，性能会出现大幅下降。这种不令人满意的性能归因于许多 UAV 特有的干扰因素，如变化的飞行高度、恶劣的天气条件、动态变化的视角等。这些干扰因素构成了大量细粒度域，检测模型必须在这些域中保持鲁棒性。幸运的是，UAV 会记录描述这些变化属性的元数据，这些元数据要么随 UAV 图像免费提供，要么可以轻松获取。我们提议将这些免费元数据与相关的 UAV 图像结合，通过一个被称为干扰解耦特征变换（NDFT）的对抗训练框架来学习域鲁棒特征，以专门应对 UAV 图像目标检测这一极具挑战性的问题，从而在应对这些干扰因素的鲁棒性上取得显著提升。我们通过在两个现有的基于 UAV 的目标检测基准上展示最先进性能（单模型），证明了所提出算法的有效性。代码可在 https://github.com/TAMU-VITA/UAV-NDFT 获取。
引用
@article{arxiv.1908.03856,
title = {Delving into Robust Object Detection from Unmanned Aerial Vehicles: A Deep Nuisance Disentanglement Approach},
author = {Zhenyu Wu and Karthik Suresh and Priya Narayanan and Hongyu Xu and Heesung Kwon and Zhangyang Wang},
journal= {arXiv preprint arXiv:1908.03856},
year = {2020}
}
备注
Accepted by International Conference on Computer Vision (ICCV) 2019