面向航拍图像目标检测的信息瓶颈缩减学习方法
计算机视觉与模式识别
2023-05-03 v4
摘要
航拍图像中的目标检测是地球科学与遥感领域的基础研究课题。然而，该课题上的先进方法主要集中于设计精细的主干网络或头部网络，而忽视了颈部网络。在本文中，我们首先从信息瓶颈的角度强调了颈部网络在目标检测中的重要性。然后，为缓解现有方法中的信息缺失问题，我们提出了一种全局语义网络（GSNet），它以双向全局模式作为从主干网络到头部网络的桥梁。与现有方法相比，我们的模型能以更低的计算成本捕获丰富且增强的图像特征。此外，我们进一步提出了一种用于不同层级特征的特征融合精炼模块（FRM），这些特征正遭受特征融合中语义鸿沟问题的困扰。为证明我们方法的有效性与高效性，我们在两个具有挑战性且具代表性的航拍图像数据集（即 DOTA 和 HRSC2016）上进行了实验。在精度与复杂度方面的实验结果验证了我们所提方法的优越性。代码已在 GSNet 开源。
引用
@article{arxiv.2204.02033,
title = {Learning to Reduce Information Bottleneck for Object Detection in Aerial Images},
author = {Yuchen Shen and Dong Zhang and Zhihao Song and Xuesong Jiang and Qiaolin Ye},
journal= {arXiv preprint arXiv:2204.02033},
year = {2023}
}
备注
5 pages, 4 figures