目标检测——day44 Tiny Object Detection in Aerial Images

资源下载

原文PDF

点击下载原文pdf

代码和数据集

本文：https://github.com/jwwangchn/AI-TOD

MMDetection library ：https://github.com/open-mmlab/mmdetection
For TridentNet：https://github.com/TuSimple/simpledet
YOLOv3：
https://github.com/pjreddie/darknet
CenterNet：https://github.com/xingyizhou/CenterNet

I. INTRODUCTION

A. contributions

1. 建立了 AI-TOD, 用于航空图像中微小物体检测的数据集。
2. 提出了一个基于多中心点的学习网络(M-CenterNet)，用于微小物体检测，它在AP和oLRP指标上的AI-TOD数据集中获得了最先进的性能。

III. DATASET DETAILS

A. Dataset Construction Process

该数据集包含8个类别的700,621个目标实例，涉及28,036个航空图像，大小为800×800像素。训练集和验证集的图像和注释都将公开可用。

TABLE I，每个图像集和每个类的对象数。

Fig. I，AI-TOD与其他基准数据集的比较，AI-TOD中最大的物体小于64像素，AI-TOD中86%的物体小于16像素。

B. AI-TOD Statistics

1. Fig. 2 (a)：显示有一些不常见的类别（如游泳池（SP）、风车（WM）)的物体数量明显少于其他更频繁的类别，对于现实应用非常重

2. Fig. 2 (b)：AI-TOD中每幅图像的物体计数可达2667个，远远高于无论是自然图像还是航空图像中的普通物体检测数据集。

3. Fig. 2 © &TABLE II：AI-TOD绝对尺寸的均值和标准差分别为12.8像素和5.9像素，比其他自然图像和航空图像数据集要小得多。

4. Fig. 2 (d)：箱形图显示了AI-TOD各类别的面积统计数据

IV. M-CENTERNET FOR TINY OBJECT DETECTION

Fig.3(a)：为原中心网的设计，红圆点为特征图上真实的中心点；蓝点和灰圆点作为正负样本Ogt为对应正样本的偏移量，s为特征图的输出步幅。在这种情况下，预测的边界盒和地面真实值的单位可能小于0.5，这个对象将被遗漏。
Fig.3(b)：多个中心点的设计，我们将真实中心点附近的4个点作为阳性样本，除阳性样本外的点均为阴性样本。红圆点为特征图上的真实中心点Cr =（cx/s，cy/s），蓝点为训练周期内的正样本，O_gt 为相应正样本的偏移量。

Fig.4，AI-TOD中标注图像的样本。最好的彩色和放大。

V. EXPERIMENTS

如TBALE III所示，在APvt和APt指标方面，M-CenterNet远远超过了其他检测器。
此外，如TABLE IV 所示，
M-CenterNet在五类（桥梁（BR）、仓库（ST）、车辆（VE）、人员（PE）和风车（WM）)上表现最好。