遥感影像中的弱半监督目标检测
计算机视觉与模式识别
2023-11-30 v1
摘要
用于遥感影像中目标检测的深度学习可为实现减缓气候变化等重要应用的新技术赋能。然而，这些模型通常需要大量带有边界框标注的数据集，而此类标注的整理成本高昂，阻碍了面向新任务和新区位的模型开发。为应对这一挑战，我们开发了遥感影像上的弱半监督目标检测（WSSOD）模型，其可利用少量边界框以及大量在地理空间数据中易于规模化获取的点标签。我们在 FAIR1M 和一个风力涡轮机检测数据集上训练了 WSSOD 模型，使用了大量点标签图像以及不同比例的边界框标注图像，并证明它们在两个数据集上均大幅优于使用相同数量边界框标注图像训练的全监督模型。此外，我们发现使用少 2-10 倍边界框标注图像训练的 WSSOD 模型，可取得与在全量边界框标注图像上训练的全监督模型相当或更优的性能。我们相信该方法可推广至其他遥感任务，以减少对边界框标签的依赖并加速面向高影响力应用的模型开发。
引用
@article{arxiv.2311.17449,
title = {Weakly-semi-supervised object detection in remotely sensed imagery},
author = {Ji Hun Wang and Jeremy Irvin and Beri Kohen Behar and Ha Tran and Raghav Samavedam and Quentin Hsu and Andrew Y. Ng},
journal= {arXiv preprint arXiv:2311.17449},
year = {2023}
}
备注
Tackling Climate Change with Machine Learning at NeurIPS 2023