基于单点监督的遥感目标检测学习
计算机视觉与模式识别
2023-12-15 v2
摘要
点监督目标检测(PSOD)因其比框级监督目标检测具有更低的标注成本而引起了广泛关注。然而,遥感(RS)图像中复杂的场景、密集排列且尺度动态变化的物体阻碍了PSOD方法在遥感领域的发展。本文首次尝试以单点监督实现遥感目标检测,并提出了一种专为遥感图像设计的PSOD方法。具体而言,我们设计了一个点标签升级器(PLUG)从单点标签生成伪框标签,随后使用这些伪框来监督现有检测器的优化。此外,为应对遥感图像中物体密集排列的挑战,我们提出了一种稀疏特征引导的语义预测模块,该模块可通过充分挖掘稀疏物体中的信息线索来生成高质量的语义图。在DOTA数据集上的大量消融实验验证了我们所提方法的有效性。与当前最先进的图像级和点级监督检测方法相比,我们的方法取得了显著更优的性能,并缩小了PSOD与框级监督目标检测之间的性能差距。代码见 https://github.com/heshitian/PLUG。
引用
@article{arxiv.2305.14141,
title = {Learning Remote Sensing Object Detection with Single Point Supervision},
author = {Shitian He and Huanxin Zou and Yingqian Wang and Boyang Li and Xu Cao and Ning Jing},
journal= {arXiv preprint arXiv:2305.14141},
year = {2023}
}
备注
Accepted by IEEE TGRS; 16 pages, 12 figures