基于对比学习的渐进式域适应用于卫星影像中的目标检测
计算机视觉与模式识别
2023-11-01 v3 机器学习
多媒体
摘要
应用于卫星与无人机影像的最先进目标检测方法在很大程度上无法识别小而密集的物体。原因之一是高空影像内容因所捕获的地面区域及采集条件的高度多变性而具有高度差异性。另一原因是航空影像中物体的数量与尺寸与消费级数据非常不同。本工作中，我们提出一种小目标检测流程，通过空间金字塔池化、跨阶段局部网络、基于热图的区域提议网络，以及通过基于图像难度分数的新颖图像难度自适应整体 focal loss 度量来进行物体定位与识别，从而改进特征提取过程。接下来，我们提出带有渐进式域适应的新颖对比学习，利用局部与全局分量在航空数据集间生成域不变特征。我们表明可缓解在先前未见数据集上的目标识别退化。我们利用对比学习创建了首个针对高度不平衡、具有显著域差距且以小物体为主的卫星数据集上目标检测任务的域适应基准。所提方法相较最佳 SOTA 在 mAP 性能指标上提升了 7.4%。
引用
@article{arxiv.2209.02564,
title = {Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery},
author = {Debojyoti Biswas and Jelena Tešić},
journal= {arXiv preprint arXiv:2209.02564},
year = {2023}
}