基于噪声和稀疏地理标注的遥感图像鲁棒目标检测（完整版）
计算机视觉与模式识别
2022-10-25 v1
摘要
近年来，来自飞行器和卫星的遥感图像的可获取性持续提升。为了自动解读这些数据，基于深度学习的目标检测器达到了最先进的性能。然而，现有的目标检测器在训练时需要完整、精确且正确的边界框标注。为了创建目标检测器所需的训练标注，可以将图像进行地理配准，并与来自其他来源的数据（例如GPS传感器定位的兴趣点）相结合。不幸的是，这种组合常常导致目标定位不佳和标注缺失。因此，使用此类数据训练目标检测器往往导致检测性能不足。在本文中，我们提出了一种新颖的方法，用于训练具有极端噪声和不完整标注的目标检测器。我们的方法基于教师-学生学习框架和一个用于处理不精确和缺失标注的校正模块。因此，我们的方法易于使用，并且可以与任意目标检测器结合。我们证明，在噪声的真实世界遥感数据集上，我们的方法将标准检测器的提高了37.1%。此外，我们的方法在两个具有合成噪声的数据集上也取得了显著的性能提升。代码可在\url{https://github.com/mxbh/robust_object_detection}获取。
引用
@article{arxiv.2210.12989,
title = {Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse Geo-Annotations (Full Version)},
author = {Maximilian Bernhard and Matthias Schubert},
journal= {arXiv preprint arXiv:2210.12989},
year = {2022}
}