西北工業大學發布最新遙感圖像目標檢測綜述論文
Link: https://cloud.tencent.com/developer/article/1500984
【導讀】視覺目標檢測（Object Detection）作為近年來的研究熱點之一，受到了廣泛關注，每年在計算機視覺三大會議（ICCV, CVPR, ECCV）上大量相關文章發表。遙感圖像中的物體檢測越來越受到重視，但是目前對遙感圖像中目標檢測的數據集和基於深度學習的方法的綜述還不夠完善。近期，西北工業大學Gong Cheng (程塨)教授等人發布了《Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark》這篇綜述，概括了近年來計算機視覺和遙感觀測領域基於深度學習的目標檢測研究進展。然后，也提出了一個大規模、公開可用的光學遙感圖像目標檢測基准，將其命名為DIOR（近期會Open）。數據集包含23463張圖像和190288個實例，覆蓋20個目標象類，評估了DIOR數據集上幾種最先進的方法，為未來的研究奠定了基礎。
DIOR鏈接：
http://www.escience.cn/people/gongcheng/DIOR.html
題目：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】最近研究者們已作出大量努力，提出光學遙感圖像中的各種目標檢測方法。然而，目前對光學遙感圖像中目標檢測的數據集和基於深度學習的方法的綜述還不夠完善。此外，現有的數據集大多存在一些不足之處，如圖像和目標類別數量較少，圖像多樣性和變異性不足。這些局限性極大地影響了基於深度學習的目標檢測方法的發展。本文綜述了近年來計算機視覺和地球觀測領域基於深度學習的目標檢測研究進展。然后，我們提出了一個大規模、公開可用的光學遙感圖像目標檢測基准，我們將其命名為DIOR。數據集包含23463張圖像和190288個實例，覆蓋20個目標象類。我們提出的DIOR數據集1)在目標類別、目標實例數量和總圖像數量上都是大規模的; 2)具有大范圍的目標尺度變化，不僅在空間分辨率方面，而且在跨目標的類間和類內尺度變化方面; 3)由於成像條件、天氣、季節、成像質量的不同，成像結果差異較大; 4)具有較高的類間相似性和類內多樣性。我們提出的基准可以幫助研究人員開發和驗證他們的數據驅動方法。最后，我們評估了DIOR數據集上幾種最先進的方法，為未來的研究奠定了基礎。
參考鏈接：
https://arxiv.org/abs/1909.00133
http://www.escience.cn/people/gongcheng/index.html
請關注專知公眾號后台回復"遙感圖像檢測綜述2019" 就可以獲取最新論文的下載鏈接~
引言
遙感技術的迅速發展極大地提高了遙感圖像的數量和質量，可以用來描述地球表面的各種物體，如機場、飛機、建築物等。這自然對通過自動分析和理解衛星或航空圖像進行智能地球觀測提出了強烈的要求。目標檢測在圖像判讀中起着至關重要的作用，在智能監測、城市規划、精准農業、地理信息系統(GIS)更新等領域有着廣泛的應用。在這一要求的推動下，近年來在光學遙感圖像中開發各種目標檢測方法，研究人員進行了大量的工作。
然而，盡管在自然圖像中取得了顯著的成功，但將基於深度學習的目標檢測方法直接應用於光學遙感圖像中是存在困難的。正如我們所知，高質量和大規模的數據集對於訓練基於深度學習的目標檢測方法非常重要。然而，遙感圖像與自然景物圖像之間的差異是顯著的。如圖1所示，遙感圖像通常捕捉地理空間對象的屋頂信息，而自然場景圖像通常捕捉對象的輪廓信息。因此，從自然場景圖像中學習到的目標檢測器不容易應用到遙感圖像中也就不足為奇了。雖然NWPU VHR‐10 (Cheng et al., 2016a), UCAS‐AOD (Zhu et al., 2015a),COWC (Mundhenk et al., 2016), DOTA (Xia et al., 2018) 等在地球觀測領域已被提出，但仍遠遠不能滿足深度學習算法的要求。
迄今為止， (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)這些工作對遙感圖像中的目標檢測進行了研究。然而，目前關於數據集和基於深度學習的目標檢測方法的文獻綜述還不夠。此外，現有的公共可用數據集大多存在一些不足，如圖像和目標類別數量較少，圖像多樣性和變化性也不夠。這些局限性極大地阻礙了基於深度學習的目標檢測方法的發展。
圖1。從(a) PASCAL VOC數據集和(b)提出的DIOR數據集中選取的一些例子說明了自然場景圖像和遙感圖像之間的區別。
為了解決上述問題，本文試圖對基於深度學習的目標檢測方法的研究進展進行全面的綜述。然后，提出了一個大規模、公開可用的光學遙感圖像目標檢測基准，將其命名為DIOR。提出的數據集由20個目標類別覆蓋的23463幅圖像組成，每個類別包含約1200幅圖像。在與其他現有目標檢測數據集進行比較時，突出了DIOR數據集的四個關鍵特征。首先，總圖像、目標類別和目標實例的數量都很大。其次，這些目標的尺寸變化范圍很大，不僅在空間分辨率方面如此，而且在跨物體的類別間和類別內尺寸變化方面也是如此。第三，的數據集有很大的變化性，因為這些圖像是在不同的成像條件、天氣、季節和圖像質量下獲得的。第四，它具有較高的類間相似性和類內多樣性。圖2顯示了提出的DIOR數據集中的一些示例圖像及其標注。
圖2。示例圖像取自所提出的DIOR數據集，這些圖像是在不同的成像條件、天氣、季節和圖像質量下獲得的。
本文作者總結其主要貢獻如下:
- 基於深度學習的目標檢測進展的綜合調查。本文綜述了計算機視覺和地球觀測領域中已有的數據集和具有代表性的基於深度學習的目標檢測方法的研究進展。
- 創建大型基准數據集。本文提出了一種大規模、公開可用的光學遙感圖像目標檢測數據集。據我們所知，所提議的DIOR數據集在目標類別數量和圖像總數上都是規模最大的。該數據集使研究人員能夠驗證和開發數據驅動的目標檢測方法。
- 進行DIOR數據集的性能基准測試。在DIOR數據集上對幾種具有代表性的基於深度學習的目標檢測方法進行了基准測試，以便為未來的研究工作提供對當前最先進技術狀態的概述。
圖5 提出的DIOR數據集的特征。
表1 DIOR數據集與地球觀測領域的9個公開的目標檢測數據集的比較。
表2 每個目標類和每個子集的圖像數量。
表3 在提出的DIOR測試集上檢測12種代表性方法的平均檢測精度(%)。每個目標類別的最佳AP都是bold‐faced的。
結論
本文首先強調了最近在目標檢測方面的進展，包括在計算機視覺和地球觀測領域的基准數據集和先進的基於深度學習的方法。在此基礎上，提出了一個大規模、公開可用的目標檢測基准數據集。這個新的數據集可以幫助地球觀測領域進一步探索和驗證基於深度學習的方法。最后，利用所提出的數據集對幾種具有代表性的目標檢測方法的性能進行了評估，實驗結果可作為今后研究的一個有用的性能基准。