少样本数据条件下航拍图像中的目标检测
计算机视觉与模式识别
2023-10-17 v1 机器学习
摘要
大多数关于少样本目标检测（FSOD）的研究仅在自然图像上评估其方法，然而所宣称性能的迁移性对于其他类型图像的应用并不能保证。我们通过在对航拍图像上现有FSOD方法的深入分析证明了这一点，并观察到与自然图像相比存在较大的性能差距。航拍图像中更多且更小的目标，是自然图像与航拍图像之间明显性能差距的成因。为此，我们通过精心设计的注意力机制提升了FSOD在小目标上的性能。此外，我们还提出了一种尺度自适应边界框相似度准则，改善了FSOD方法的训练与评估，尤其针对小目标。我们还通过基于度量学习和微调的两种不同方法对通用FSOD作出贡献。微调方法取得了令人印象深刻的成果，这促使我们去应对更复杂的场景，如跨域FSOD（Cross-Domain FSOD）。我们在此方向上进行了初步实验并获得了有前景的结果。最后，我们解决了在COSE系统中部署检测模型的问题。检测必须在极高分辨率（超过100兆像素）的大图像中以有限算力实时完成。借助TensorRT等现有优化工具，我们成功应对了这一工程挑战。
引用
@article{arxiv.2310.10433,
title = {Object Detection in Aerial Images in Scarce Data Regimes},
author = {Pierre Le Jeune},
journal= {arXiv preprint arXiv:2310.10433},
year = {2023}
}
备注
PhD Thesis. Work conducted at L2TI (USPN) and COSE