基于窗口化网络的卫星影像多尺度快速检测
计算机视觉与模式识别
2021-02-25 v1
摘要
在大面积上检测小目标仍是卫星影像分析中的重大挑战。挑战之一在于每幅影像的像素量和地理范围巨大：单张 DigitalGlobe 卫星影像覆盖超过 64 km² 和超过 2.5 亿像素。另一挑战是感兴趣目标通常极小（即便最高分辨率影像中也仅约若干像素范围），这使传统计算机视觉技术复杂化。为解决这些问题，我们提出一种流水线（SIMRDWN），以原生分辨率以 >0.2 km²/s 的速率评估任意大尺寸的卫星图像。基于 tensorflow 目标检测 API 论文，该流水线提供了可对任意尺寸图像进行推理的多种目标检测框架的统一方法。SIMRDWN 流水线包含修改版 YOLO（称为 YOLT），以及 tensorflow 对象检测 API 的模型：SSD、Faster R-CNN 和 R-FCN。所提方法可比较这四种框架的性能，并能以较少训练数据在多个传感器上快速检测尺度差异极大的目标。对于尺度差异很大的目标（如飞机与机场），我们发现使用两种不同尺度的检测器非常有效且运行时开销可忽略。我们以原生分辨率评估大型测试图像，得到车辆定位 mAP 分数为 0.2 至 0.8，其中 YOLT 架构取得最高 mAP 和最快推理速度。
引用
@article{arxiv.1809.09978,
title = {Satellite Imagery Multiscale Rapid Detection with Windowed Networks},
author = {Adam Van Etten},
journal= {arXiv preprint arXiv:1809.09978},
year = {2021}
}
备注
8 pages, 7 figures, 2 tables, 1 appendix. arXiv admin note: substantial text overlap with arXiv:1805.09512