Früher|Nächster

Methode zur feinkörnigen Objekterkennung in Fernerkundungsbildern basierend auf zwei Klassifikationsköpfen

  • role： First author第一作者
  • Affiliation：

    School of Electronic Information, Hunan First Normal University, Changsha 410205, China

  • Email：0201zhangfeng@163.com
  • Introduction：张锋，研究方向为计算机视觉、目标检测、实例分割、目标跟踪。E-mail：0201zhangfeng@163.com
ZHANG Feng1,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Electronic Information, Hunan First Normal University, Changsha 410205, China

    College of Artificial Intelligence and Software, Nanning University, Nanning 530299, China

  • Email：tengshuhua1979@sohu.com
  • Introduction：滕书华，研究方向为计算机视觉、数据挖掘。E-mail：tengshuhua1979@sohu.com
TENG Shuhua12*,  
  • Affiliation：

    Hunan Normal University of Medicine, Changsha 410081, China

HAN Xing3,  
  • Affiliation：

    College of Electronic Science and Technology, National University of Defense Technology, Changsha 410073, China

WANG Yingqian4,  
  • Affiliation：

    College of Electronic Science and Technology, National University of Defense Technology, Changsha 410073, China

WANG Xueying4

Resümee

Die deutlich verbesserte Verfügbarkeit von hochauflösenden Fernerkundungsbildern hat die feinkörnige Objekterkennung in Fernerkundungsbildern zu einem wichtigen Forschungsfeld in der Fernerkundung und im Bereich der Computer Vision gemacht. Um die Probleme der unzureichenden Nutzung ähnlicher Daten, der Beeinflussung der Modellgenauigkeit durch fehlerhafte Labels und der Schwierigkeit, ähnliche Klassen zu unterscheiden, anzugehen, schlägt dieser Artikel eine Methode zur feingranularen Objekterkennung in Fernerkundungsbildern vor, die auf zwei Klassifikationsköpfen basiert. Zunächst wird zur Lösung des Problems der ineffektiven Nutzung ähnlicher Daten ein Doppelklassifikationskopf vorgeschlagen, bei dem unterschiedliche Klassifikationsköpfe auf unterschiedlichen Datensätzen trainiert werden, sodass ähnliche Daten mit unterschiedlichen Klassendefinitionen gemeinsam am Training teilnehmen können, was die Modellgenauigkeit erheblich verbessert. Zweitens wird zur Bewältigung des Trainingslabel-Rauschens eine vorhersagebasierte Fehlertag-Filterungsmethode entwickelt, die den Einfluss fehlerhafter Labels auf das Modelltraining verringert. Schließlich wird für das Problem großer innerklassiger Unterschiede und kleiner zwischenklassiger Unterschiede bei der feingranularen Objekterkennung ein Margin-Cross-Entropy-Verlust definiert, der durch die Vergrößerung der Klassengrenzen die Modellgenauigkeit verbessert. Experimente auf dem Datensatz für den feingranularen Fernerkundungszielerkennungswettbewerb und dem FAIR1M-Datensatz zeigen, dass die vorgeschlagene Methode die Genauigkeit und Robustheit der feingranularen Zielerkennung in Fernerkundungsbildern deutlich verbessert. Der Code ist offen verfügbar unter https://github.com/zf020114/DCH.

Schlüsselwort

Fernerkundung;Deep Learning;feinkörnige Objekterkennung;gerichtete Objekterkennung;doppelter Klassifikationskopf;Fehlertag-Filterung;Margin-Cross-Entropy-Verlust

References

  1. 1.
    Deng J K, Guo J, Xue N N and Zafeiriou S. 2019. ArcFace: additive angular margin loss for deep face recognition//Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE: 4685-4694
  2. 2.
    Ding J, Xue N, Long Y, Xia G S and Lu Q K. 2018. Learning RoI transformer for oriented object detection in aerial images//Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE: 2844-2853
  3. 3.
    Han B, Yao Q M, Yu X R, Niu G, Xu M, Hu W H, Tsang I W and Sugiyama M. 2018. Co-teaching: robust training of deep neural networks with extremely noisy labels//Proceedings of the Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal: Curran Associates Inc.: 8536-8546
  4. 4.
    Han J M, Ding J, Xue N and Xia G S. 2021a. ReDet: a rotation-equivariant detector for aerial object detection//Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville: IEEE: 2785-2794
  5. 5.
    Han J M, Ding J, Li J and Xia G S. 2021b. Align deep features for oriented object detection. IEEE Transactions on Geoscience and Remote Sensing, 60: 5602511
  6. 6.
    Han Y Q, Yang X Y, Pu T and Peng Z M. 2022. Fine-grained recognition for oriented ship against complex scenes in optical remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 60: 5612318
  7. 7.
    Hu Z B, Gao K, Zhang X D, Wang J W, Wang H and Han J W. 2022. Probability differential-based class label noise purification for object detection in aerial images. IEEE Geoscience and Remote Sensing Letters, 19: 6509705
  8. 8.
    Jiang Y Y, Zhu X Y, Wang X B, Yang S L, Li W, Wang H, Fu P and Luo Z B. 2018. R2CNN: rotational region CNN for arbitrarily-oriented scene text detection//Proceedings of the 24th International Conference on Pattern Recognition. Beijing: IEEE: 3610-3615
  9. 9.
    Li D R, Wang M, Shen X and Dong Z P. 2017. From earth observation satellite to earth observation brain. Geomatics and Information Science of Wuhan University, 42(2): 143-149
  10. 10.
    Li K, Wan G, Cheng G, Meng L Q and Han J W. 2020. Object detection in optical remote sensing images: a survey and a new benchmark. ISPRS Journal of Photogrammetry and Remote Sensing, 159: 296-307
  11. 11.
    Li W T, Chen Y J, Hu K X and Zhu J K. 2022. Oriented RepPoints for aerial object detection//Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans: IEEE: 1819-1828
  12. 12.
    Li Y X, Hou Q B, Zheng Z H, Chen M M, Yang J and Li X. 2023. Large selective kernel network for remote sensing object detection//Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision (ICCV). Paris: IEEE: 16748-16759
  13. 13.
    Luo H L and Chen H K. 2020. Survey of object detection based on deep learning. Acta Electronica Sinica, 48(6): 1230-1239
  14. 14.
    Ma J Q, Shao W Y, Ye H, Wang L, Wang H, Zheng Y B and Xue X Y. 2018. Arbitrary-oriented scene text detection via rotation proposals. IEEE Transactions on Multimedia, 20(11): 3111-3122
  15. 15.
    Pu Y F, Wang Y R, Xia Z F, Han Y Z, Wang Y L, Gan W H, Wang Z D, Song S J and Huang G. 2023. Adaptive rotated convolution for rotated object detection//Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision (ICCV). Paris: IEEE: 6566-6577
  16. 16.
    Ren S Q, He K M, Girshick R and Sun J. 2015. Faster R-CNN: towards real-time object detection with region proposal networks//Proceedings of the 29th International Conference on Neural Information Processing Systems. Montreal: MIT Press: 91-99
  17. 17.
    Sun X, Wang P J, Yan Z Y, Xu F, Wang R P, Diao W H, Chen J, Li J H, Feng Y C, Xu T, Weinmann M, Hinz S, Wang C and Fu K. 2022. FAIR1m: a benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 184: 116-130
  18. 18.
    Wang Y S, Ma X J, Chen Z Y, Luo Y, Yi J F and Bailey J. 2019. Symmetric cross entropy for robust learning with noisy labels//Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul: IEEE: 322-330
  19. 19.
    Xia G S, Bai X, Ding J, Zhu Z, Belongie S, Luo J B, Datcu M, Pelillo M and Zhang L P. 2018. DOTA: a large-scale dataset for object detection in aerial images//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 3974-3983
  20. 20.
    Xiao J S, Zhang S H, Chen Y H, Wang Y F and Yang L H. 2022. Remote sensing image object detection based on bidirectional feature fusion and feature selection. Acta Electronica Sinica, 50(2): 267-272
  21. 21.
    Xie X X, Cheng G, Wang J B, Yao X W and Han J W. 2021. Oriented R-CNN for object detection//Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Montreal: IEEE: 3500-3509
  22. 22.
    Xu Y C, Fu M T, Wang Q M, Wang Y K, Chen K, Xia G S and Bai X. 2021. Gliding vertex on the horizontal bounding box for multi-oriented object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(4): 1452-1459
  23. 23.
    Yang X, Yan J C, Feng Z M and He T. 2019. R3Det: refined single-stage detector with feature refinement for rotating object//Proceedings of the 39th AAAI Conference on Artificial Intelligence. Washington: AAAI Press: 3163-3171
  24. 24.
    Yao Y Q, Cheng G, Xie X X and Han J W. 2021. Optical remote sensing image object detection based on multi-resolution feature fusion. National Remote Sensing Bulletin, 25(5): 1124-1137
  25. 25.
    Yi J R, Wu P X, Liu B, Huang Q Y, Qu H and Metaxas D. 2021. Oriented object detection in aerial images with box boundary-aware vectors//Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Waikoloa: IEEE: 2149-2158
  26. 26.
    Yu H T, Tian Y J, Ye Q X and Liu Y F. 2024. Spatial transform decoupling for oriented object detection//Proceedings of the 39th AAAI Conference on Artificial Intelligence. Vancouver: AAAI Press: 6782-6790
  27. 27.
    Yu X R, Han B, Yao J C, Niu G, Tsang I and Sugiyama M. 2019. How does disagreement help generalization against label corruption,Proceedings of the 36th International Conference on Machine Learning. Long Beach: PMLR: 7164-7173
  28. 28.
    Zhang F, Wang X Y, Zhou S L and Wang Y Q. 2021. DARDet: a dense anchor-free rotated object detector in aerial images. IEEE Geoscience and Remote Sensing Letters, 19: 8024305
  29. 29.
    Zhang H, Li F, Liu S L, Zhang L, Su H, Zhu J, Ni L M and Shum H Y. 2023. DINO: DETR with improved denoising anchor boxes for end-to-end object detection Proceedings of the International Conference on Learning Representations(ICLR) Kigali City [DOI: 10.48550/arXiv.2203.03605] Zhang L, Zhang Y S, Yu Y, Ma Y Z and Jiang H G. 2022. Survey on object detection in tilting box for remote sensing images. National Remote Sensing Bulletin, 26(9): 1723-1743
  30. 30.
    Zhang S, Li S S, Wei G F, Zhang X N and Gao J W. 2022. Refined multi-scale feature-oriented object detection of the remote sensing images. National Remote Sensing Bulletin, 26(12): 2616-2628
  31. 31.
    Zhang Z L and Sabuncu M R. 2018. Generalized cross entropy loss for training deep neural networks with noisy labels//Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal: Curran Associates Inc.: 8792-8802
  32. 32.
    Zhao P B, Qu Z S, Bu Y J, Tan W M and Guan Q Y. 2021. PolarDet: a fast, more precise detector for rotated target in aerial images. International Journal of Remote Sensing, 42(15): 5831-5861
  33. 33.
    Zhao Z Y, Xue Q L, He Y H, Bai Y F, Wei X and Gong Y H. 2024. Projecting points to axes: oriented object detection via point-axis representation//Proceedings of the 18th European Conference on Computer Vision–ECCV 2024. Milan: Springer: 161-179
  34. 34.
    Zhou X Y, Wang D Q and Krähenbühl P. 2019. Objects as points. arXiv preprint arXiv: 1904.07850

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website