面向光学遥感影像建筑物检测的方向估计卷积神经网络学习
计算机视觉与模式识别
2019-03-15 v1
摘要
受益于深度学习在计算机视觉领域的巨大成功，基于 CNN 的目标检测方法已引起广泛关注。已有多种框架被提出，在大量数据集上展现出卓越且鲁棒的性能。然而，对于遥感影像中的建筑物检测，建筑物往往呈现多种朝向，这使得直接将现有方法应用于建筑物检测成为一项挑战。在本工作中，我们旨在将方向回归整合到流行的轴对齐边界框检测方法中以解决此问题。为使轴对齐边界框适应任意朝向的边界框，我们还开发了一种估计任意两个任意朝向框之间交并比（IoU）重叠的算法，该算法便于在图形处理单元（GPU）中实现以加速计算。所提方法利用 CNN 同时进行鲁棒特征提取与旋转边界框回归。我们以端到端形式呈现模型，使其易于训练。该模型被公式化并训练为同时预测方向、位置和范围，从而获得更紧致的边界框，进而获得更高的平均精度均值（mAP）。在不同尺度遥感影像上的实验表明，相比传统方法具有令人满意的性能。
引用
@article{arxiv.1903.05862,
title = {Learning Orientation-Estimation Convolutional Neural Network for Building Detection in Optical Remote Sensing Image},
author = {Yongliang Chen},
journal= {arXiv preprint arXiv:1903.05862},
year = {2019}
}
备注
Presented in DICTA2018; Further Improved including extra experiments