西北工业大学发布最新遥感图像目标检测综述论文和Benchmark,带你全面了解遥感图像检测方法

【导读】视觉目标检测(Object Detection)作为近年来的研究热点之一,受到了广泛关注,每年在计算机视觉三大会议(ICCV, CVPR, ECCV)上大量相关文章发表。遥感图像中的物体检测越来越受到重视,但是目前对遥感图像中目标检测的数据集和基于深度学习的方法的综述还不够完善。近期,西北工业大学Gong Cheng (程塨)教授等人发布了《Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark》这篇综述,概括了近年来计算机视觉和遥感观测领域基于深度学习的目标检测研究进展。然后,也提出了一个大规模、公开可用的光学遥感图像目标检测基准,将其命名为DIOR(近期会Open)。数据集包含23463张图像和190288个实例,覆盖20个目标象类,评估了DIOR数据集上几种最先进的方法,为未来的研究奠定了基础。


DIOR链接:

http://www.escience.cn/people/gongcheng/DIOR.html


题目:Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

作者: Ke Li, Gang Wan, Gong Cheng, Liqiu Meng, Junwei Han


【摘要】最近研究者们已作出大量努力,提出光学遥感图像中的各种目标检测方法。然而,目前对光学遥感图像中目标检测的数据集和基于深度学习的方法的综述还不够完善。此外,现有的数据集大多存在一些不足之处,如图像和目标类别数量较少,图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后,我们提出了一个大规模、公开可用的光学遥感图像目标检测基准,我们将其命名为DIOR。数据集包含23463张图像和190288个实例,覆盖20个目标象类。我们提出的DIOR数据集1)在目标类别、目标实例数量和总图像数量上都是大规模的; 2)具有大范围的目标尺度变化,不仅在空间分辨率方面,而且在跨目标的类间和类内尺度变化方面; 3)由于成像条件、天气、季节、成像质量的不同,成像结果差异较大; 4)具有较高的类间相似性和类内多样性。我们提出的基准可以帮助研究人员开发和验证他们的数据驱动方法。最后,我们评估了DIOR数据集上几种最先进的方法,为未来的研究奠定了基础。


参考链接:

https://arxiv.org/abs/1909.00133

http://www.escience.cn/people/gongcheng/index.html

 请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“遥感图像检测综述2019” 就可以获取最新论文的下载链接~ 

引言


遥感技术的迅速发展极大地提高了遥感图像的数量和质量,可以用来描述地球表面的各种物体,如机场、飞机、建筑物等。这自然对通过自动分析和理解卫星或航空图像进行智能地球观测提出了强烈的要求。目标检测在图像判读中起着至关重要的作用,在智能监测、城市规划、精准农业、地理信息系统(GIS)更新等领域有着广泛的应用。在这一要求的推动下,近年来在光学遥感图像中开发各种目标检测方法,研究人员进行了大量的工作。

 

然而,尽管在自然图像中取得了显著的成功,但将基于深度学习的目标检测方法直接应用于光学遥感图像中是存在困难的。正如我们所知,高质量和大规模的数据集对于训练基于深度学习的目标检测方法非常重要。然而,遥感图像与自然景物图像之间的差异是显著的。如图1所示,遥感图像通常捕捉地理空间对象的屋顶信息,而自然场景图像通常捕捉对象的轮廓信息。因此,从自然场景图像中学习到的目标检测器不容易应用到遥感图像中也就不足为奇了。虽然NWPU VHR‐10 (Cheng et al., 2016a), UCAS‐AOD (Zhu et al., 2015a),COWC (Mundhenk et al., 2016), DOTA (Xia et al., 2018) 等在地球观测领域已被提出,但仍远远不能满足深度学习算法的要求。

 

迄今为止, (Cheng and Han, 2016; Cheng et al.,2016a; Das et al., 2011; Han et al., 2015; Li et al., 2018; Razakarivony andJurie, 2015; Tang et al., 2017b; Xia et al., 2018; Yokoya and Iwasaki, 2015;Zhang et al., 2016; Zhu et al., 2017)这些工作对遥感图像中的目标检测进行了研究。然而,目前关于数据集和基于深度学习的目标检测方法的文献综述还不够。此外,现有的公共可用数据集大多存在一些不足,如图像和目标类别数量较少,图像多样性和变化性也不够。这些局限性极大地阻碍了基于深度学习的目标检测方法的发展。


图1。从(a) PASCAL VOC数据集和(b)提出的DIOR数据集中选取的一些例子说明了自然场景图像和遥感图像之间的区别。

 

为了解决上述问题,本文试图对基于深度学习的目标检测方法的研究进展进行全面的综述。然后,提出了一个大规模、公开可用的光学遥感图像目标检测基准,将其命名为DIOR。提出的数据集由20个目标类别覆盖的23463幅图像组成,每个类别包含约1200幅图像。在与其他现有目标检测数据集进行比较时,突出了DIOR数据集的四个关键特征。首先,总图像、目标类别和目标实例的数量都很大。其次,这些目标的尺寸变化范围很大,不仅在空间分辨率方面如此,而且在跨物体的类别间和类别内尺寸变化方面也是如此。第三,的数据集有很大的变化性,因为这些图像是在不同的成像条件、天气、季节和图像质量下获得的。第四,它具有较高的类间相似性和类内多样性。图2显示了提出的DIOR数据集中的一些示例图像及其标注。


图2。示例图像取自所提出的DIOR数据集,这些图像是在不同的成像条件、天气、季节和图像质量下获得的。

 

本文作者总结其主要贡献如下:

  • 基于深度学习的目标检测进展的综合调查。本文综述了计算机视觉和地球观测领域中已有的数据集和具有代表性的基于深度学习的目标检测方法的研究进展。


  • 创建大型基准数据集。本文提出了一种大规模、公开可用的光学遥感图像目标检测数据集。据我们所知,所提议的DIOR数据集在目标类别数量和图像总数上都是规模最大的。该数据集使研究人员能够验证和开发数据驱动的目标检测方法。


  • 进行DIOR数据集的性能基准测试。在DIOR数据集上对几种具有代表性的基于深度学习的目标检测方法进行了基准测试,以便为未来的研究工作提供对当前最先进技术状态的概述。


 

图5 提出的DIOR数据集的特征。

 

表1 DIOR数据集与地球观测领域的9个公开的目标检测数据集的比较。


表2 每个目标类和每个子集的图像数量。

表3 在提出的DIOR测试集上检测12种代表性方法的平均检测精度(%)。每个目标类别的最佳AP都是bold‐faced的。


结论

本文首先强调了最近在目标检测方面的进展,包括在计算机视觉和地球观测领域的基准数据集和先进的基于深度学习的方法。在此基础上,提出了一个大规模、公开可用的目标检测基准数据集。这个新的数据集可以帮助地球观测领域进一步探索和验证基于深度学习的方法。最后,利用所提出的数据集对几种具有代表性的目标检测方法的性能进行了评估,实验结果可作为今后研究的一个有用的性能基准。


-END-

专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

展开全文
Top
微信扫码咨询专知VIP会员