资源受限下高分辨率卫星图像中物体的同步检测与标注
计算机视觉与模式识别
2018-10-25 v1
摘要
我们描述了一种在计算资源受限条件下，对大型高分辨率卫星照片中人造物体进行检测与分类的策略。我们使用五条卷积神经网络处理（CNN）流水线并行运行来检测和分类候选物体。每条流水线拥有其独特的微调参数、候选区域过滤及处理图像尺度的策略。冲突的区域提议基于区域置信度而非仅基于重叠面积进行合并，从而提升了所选最终边界框区域的质量。我们使用近期的 xView 挑战赛演示该策略，其为一个复杂基准，包含超过 1,100 张高分辨率图像，覆盖全球约 800,000 个航空物体，总面积 1,400 平方公里，地面采样距离为 0.3 米。为应对 xView 挑战赛提出的资源受限问题（推理被限制在 8GB 内存的 CPU 上进行），我们采用以轻量 CNN 结合单发检测器（single shot detector）算法训练。我们的方法在隐藏测试集上具竞争力，排名第三。
引用
@article{arxiv.1810.10110,
title = {Resource-Constrained Simultaneous Detection and Labeling of Objects in High-Resolution Satellite Images},
author = {Gilbert Rotich and Rodrigo Minetto and Sudeep Sarkar},
journal= {arXiv preprint arXiv:1810.10110},
year = {2018}
}