光学遥感图像中的目标检测:调查和新基准
本文是关于光学遥感图像中物体检测的文献综述,涵盖目标检测的众多方法,包括基于模板匹配、基于知识、机器学习等,同时讨论现有研究的挑战并提出两个有潜在发展的研究方向,即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。
Mar, 2016
本研究介绍了一个大规模的 DOTA 数据集,包括从 11,268 个航拍图像中收集的 18 个分类的定向边界框注释的 1,793,658 个物体实例,并基于此构建了覆盖 70 多种配置的 10 种最新算法的基线,还提供了 ODAI 的代码库和用于评估不同算法的网站。
Feb, 2021
遥感物体检测是遥感领域中最基本和具有挑战性的任务之一,深度学习技术在近年来展现出强大的特征表示能力,并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果,涵盖了 300 多篇论文。我们在遥感物体检测中确定了五个主要挑战,包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测,并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标,以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。
Sep, 2023
本文介绍了 RSSOD-Bench 数据集的构建和基准性能测试,该数据集旨在解决遥感图像中显着对象检测(SOD)任务的局限性问题。
Jun, 2023
本文介绍了一种基于少样本学习的遥感影像目标检测方法,主要由元特征提取器、自适应权重分配模块和边界框预测模块组成,实现了在较少标注数据情况下,在遥感影像上的目标检测,表现优于其他基线模型。
Jun, 2020
在本文中,我们致力于研究如何从遥感图像中计数密集物体,针对这一难题,我们构建了一个大规模的遥感图像计数数据集,设计了一种新型的神经网络可以生成一个输入图像的密度图,并进行广泛的实验证明了我们方法的卓越性和有效性。
Aug, 2020
使用众包数据,本文基于深度卷积神经网络,构建了一个远程遥感图像分类基准测试集,该基准测试集包含两个子数据集,分别为 256×256 和 128×128 像素大小,用于比较与现有基准测试集在手工特征和经典的深度卷积神经网络模型下的表现。
May, 2017
本文提出了一种新方法,即一个新的联合图像级联和特征金字塔网络,用于在遥感图像中提取多尺度的强和弱语义特征,并进行定向边界框的检测和旋转非极大值抑制,提高了模型的性能。同时,该模型还具有对图像和对象尺度和方向的鲁棒性,可在多类物体检测应用程序中部署。
Jul, 2018
本文旨在使用仅有少量示例来进行卫星图像中的目标检测,从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器,其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型,并与区域建议内容进行标签预测。另外,我们提出在可用的训练图像上微调原型,以提高性能并学习类似类别之间的差异,例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外,我们研究了视觉和图像文本特征的性能,即 DINOv2 和 CLIP,包括专门针对遥感应用的两个 CLIP 模型。结果表明,视觉特征在很大程度上优于视觉语言模型,因为后者缺乏必要的领域特定词汇。最后,尽管训练参数很少,但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。
Mar, 2024