面向大幅面 VHR 遥感影像的整体桥梁检测
摘要
遥感图像(RSI)中的桥梁检测在多种应用中起着关键作用,但与其他目标检测相比,面临着独特的挑战。在遥感图像中,桥梁在空间尺度与长宽比上表现出显著差异。因此,为确保桥梁的可见性与完整性,有必要在大幅面超高分辨率(VHR)遥感图像中进行整体桥梁检测。然而,缺乏大幅面 VHR 遥感图像数据集限制了深度学习算法在桥梁检测上的性能。受 GPU 内存处理大幅面图像能力的限制,基于深度学习的目标检测方法通常采用裁剪策略,这不可避免地导致标签碎片化与预测不连续。为缓解数据集的匮乏,本文提出了一个名为 GLH-Bridge 的大规模数据集,包含从全球不同地理位置采样的 6,000 张 VHR 遥感图像。这些图像尺寸范围从 2,048×2,048 到 16,384×16,384 像素不等,共包含 59,737 座桥梁。此外,我们提出了一种用于大幅面遥感图像整体桥梁检测的高效网络 HBD-Net。HBD-Net 采用基于独立检测器的特征融合(SDFF)架构,并通过形状敏感的样本重加权(SSRW)策略进行优化。基于所提 GLH-Bridge 数据集,我们建立了包含 OBB 与 HBB 任务的桥梁检测基准,并验证了所提 HBD-Net 的有效性。此外,在两个公开数据集上的跨数据集泛化实验表明 GLH-Bridge 数据集具有强大的泛化能力。
引用
@article{arxiv.2312.02481,
title = {Learning to Holistically Detect Bridges from Large-Size VHR Remote Sensing Imagery},
author = {Yansheng Li and Junwei Luo and Yongjun Zhang and Yihua Tan and Jin-Gang Yu and Song Bai},
journal= {arXiv preprint arXiv:2312.02481},
year = {2023}
}
备注
16 pages, 11 figures, 6 tables; due to the limitation "The abstract field cannot be longer than 1,920 characters", the abstract appearing here is slightly shorter than that in the PDF file