航空影像中的创新视野:LSKNet与DiffusionDet结合用于先进目标检测
计算机视觉与模式识别
2023-11-23 v1 人工智能
机器学习
摘要
在航空图像分析领域,目标检测起着关键作用,对遥感、城市规划和灾害管理等领域具有重要意义。本研究解决该领域固有挑战,特别是小目标检测、密集元素处理以及多样朝向问题。我们提出并深入评估了一种将大选择性核网络(LSKNet)作为骨干网络与DiffusionDet检测头相集成的目标检测模型,并利用iSAID数据集进行实证分析。我们的方法涵盖新方法引入与广泛消融研究。这些研究批判性评估了损失函数、边界框回归技术与分类策略等多方面,以精炼模型的目标检测精度。论文详述了LSKNet骨干与DiffusionDet检测头的实验性应用协同,该组合专为应对航空图像目标检测特定挑战而定制。本研究结果表明模型性能显著提升,尤其在精度-时间权衡方面。所提模型达到约45.7%的平均精度均值(MAP),较同一数据集上RCNN模型高出4.7%,提升显著。这一进展凸显了所提改进的有效性,并树立了航空图像分析新基准,为更准确高效的目标检测方法铺平道路。代码公开于https://github.com/SashaMatsun/LSKDiffDet
引用
@article{arxiv.2311.12956,
title = {Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection},
author = {Ahmed Sharshar and Aleksandr Matsun},
journal= {arXiv preprint arXiv:2311.12956},
year = {2023}
}