遥感图像超分辨率与目标检测：基准与前沿方法
计算机视觉与模式识别
2022-03-08 v1 人工智能
机器学习
图像与视频处理
摘要
过去二十年间，人们在开发遥感 (RS) 图像目标检测方法方面做出了大量努力。在大多数情况下，遥感图像中小目标检测的数据集并不充足。许多研究者使用场景分类数据集进行目标检测，这存在其局限性；例如，目标类别中大型目标的数量多于小型目标。因此，它们缺乏多样性；这进一步影响了遥感图像中小目标检测器的检测性能。本文综述了当前遥感图像的数据集与目标检测方法（基于深度学习）。我们还提出了一个大规模、公开可用的基准遥感超分辨率目标检测 (RSSOD) 数据集。RSSOD 数据集由 1,759 张手工标注图像组成，包含 22,091 个极高分辨率 (VHR) 图像实例，空间分辨率约 0.05 m。共有五个类别，每类标签频率不同。图像块提取自卫星图像，包含真实图像失真，如切向尺度失真和倾斜失真。我们还提出了一种新颖的具有残差特征聚合的多类循环超分辨率生成对抗网络 (MCGR) 与辅助 YOLOv5 检测器，以对基于图像超分辨率的目标检测进行基准测试，并与现有基于图像超分辨率 (SR) 的前沿方法进行比较。所提出的 MCGR 在图像 SR 上取得了最先进的性能，与当前最先进的 NLSN 方法相比 PSNR 提升 1.2dB。MCGR 在五类、四类、两类和单类上分别取得了 0.758、0.881、0.841 和 0.983 的最佳目标检测 mAP，分别超越了最先进的目标检测器 YOLOv5、EfficientDet、Faster RCNN、SSD 和 RetinaNet 的性能。
引用
@article{arxiv.2111.03260,
title = {Remote Sensing Image Super-resolution and Object Detection: Benchmark and State of the Art},
author = {Yi Wang and Syed Muhammad Arsalan Bashir and Mahrukh Khan and Qudrat Ullah and Rui Wang and Yilin Song and Zhe Guo and Yilong Niu},
journal= {arXiv preprint arXiv:2111.03260},
year = {2022}
}
备注
39 pages, 15 figures, 5 tables. Submitted to Elsevier journal for review