用于遥感图像少样本目标检测的变换不变网络
计算机视觉与模式识别
2023-11-17 v3
摘要
遥感图像中的目标检测依赖于大量标注数据进行训练。然而，新类别数量的增加与类别不平衡使得穷尽标注不切实际。少样本目标检测（FSOD）通过在已见基类上利用元学习，并在具有有限标注样本的新类上微调来解决此问题。尽管如此，遥感图像中目标显著的尺度与方向变化对现有少样本目标检测方法提出了重大挑战。为克服这些挑战，我们提出集成特征金字塔网络并利用原型特征增强查询特征，从而改进现有 FSOD 方法。我们将此改进的 FSOD 方法称为强基线（Strong Baseline），其相较原始基线已展现出显著的性能提升。此外，我们通过引入变换不变网络（TINet）来解决由查询与支持图像间方向变化引起的空间错位问题。TINet 确保几何不变性并显式对齐查询与支持分支的特征，从而在保持与强基线相同推理速度的同时带来额外的性能增益。在三个广泛使用的遥感目标检测数据集（即 NWPU VHR-10.v2、DIOR 与 HRRSD）上的大量实验证明了所提方法的有效性。
引用
@article{arxiv.2303.06817,
title = {Transformation-Invariant Network for Few-Shot Object Detection in Remote Sensing Images},
author = {Nanqing Liu and Xun Xu and Turgay Celik and Zongxin Gan and Heng-Chao Li},
journal= {arXiv preprint arXiv:2303.06817},
year = {2023}
}
备注
Accepted by TGRS. Modified some errors from the previous version