R$^2$-CNN：面向大规模遥感图像中微小目标的快速检测
计算机视觉与模式识别
2019-04-02 v3
摘要
近年来，卷积神经网络为目标检测带来了显著提升。然而，在大尺度遥感图像中检测微小目标仍具挑战性。首先，极大的输入尺寸使现有目标检测方案过于缓慢而难以实用。其次，海量且复杂的背景引发严重的误报。此外，极微小目标增加了准确检测的难度。为应对这些问题，我们提出一种统一且自增强的网络，称为遥感基于区域卷积神经网络（-CNN），由骨干网络 Tiny-Net、中间全局注意力模块以及最终的分类器和检测器组成。Tiny-Net 是一种轻量级残差结构，能够从输入中快速且强有力地提取特征。全局注意力模块构建于 Tiny-Net 之上以抑制假阳性。随后分类器用于预测各图像块中是否存在目标，若可行则由检测器紧随其后进行精确定位。分类器与检测器通过端到端训练相互增强，进一步加速处理并避免误报。-CNN 的有效性在数百张 GF-1 与 GF-2 图像上得到验证，这些图像分别为 18 000 18 192 像素、2.0 米分辨率，以及 27 620 29 200 像素、0.8 米分辨率。具体而言，在单线程的 Titian X 上处理一张 GF-1 图像仅需 29.4 秒。据我们所知，此前尚无方案能如此优雅地在这种巨型遥感图像上检测微小目标。我们相信这是迈向实用实时遥感系统的重要一步。
引用
@article{arxiv.1902.06042,
title = {R$^2$-CNN: Fast Tiny Object Detection in Large-Scale Remote Sensing Images},
author = {Jiangmiao Pang and Cong Li and Jianping Shi and Zhihai Xu and Huajun Feng},
journal= {arXiv preprint arXiv:1902.06042},
year = {2019}
}
备注
13 pages. Accepted to IEEE Transactions on Geoscience and Remote Sensing