Learning Remote Sensing Object Detection with Single Point Supervision

要約

点状教師あり物体検出 (PSOD) は、ボックスレベルの教師あり物体検出と比較してラベル付けコストが低いため、大きな関心を集めています。
しかし、リモート センシング (RS) 画像内の複雑なシーン、高密度で動的スケールのオブジェクトは、RS 分野での PSOD 手法の開発を妨げています。
この論文では、単一点監視による RS オブジェクト検出を達成する最初の試みを行い、RS 画像に合わせて調整された PSOD フレームワークを提案します。
具体的には、単一ポイント ラベルから擬似ボックス ラベルを生成するポイント ラベル アップグレーダー (PLUG) を設計し、その擬似ボックスを使用して既存の検出器の最適化を監視します。
さらに、RS 画像内の密集したオブジェクトの課題に対処するために、まばらなオブジェクトからの有益な手がかりを最大限に活用することで高品質の意味マップを生成できる、まばらな特徴に基づく意味論的予測モジュールを提案します。
DOTA データセットに関する広範なアブレーション研究により、私たちの方法の有効性が検証されました。
私たちの方法は、最先端の画像レベルおよびポイントレベルの教師付き検出方法と比較して大幅に優れたパフォーマンスを達成でき、PSOD とボックスレベルの教師付き物体検出の間のパフォーマンスギャップを削減できます。
コードは https://github.com/heshitian/PLUG で入手できます。

要約(オリジナル)

Pointly Supervised Object Detection (PSOD) has attracted considerable interests due to its lower labeling cost as compared to box-level supervised object detection. However, the complex scenes, densely packed and dynamic-scale objects in Remote Sensing (RS) images hinder the development of PSOD methods in RS field. In this paper, we make the first attempt to achieve RS object detection with single point supervision, and propose a PSOD framework tailored with RS images. Specifically, we design a point label upgrader (PLUG) to generate pseudo box labels from single point labels, and then use the pseudo boxes to supervise the optimization of existing detectors. Moreover, to handle the challenge of the densely packed objects in RS images, we propose a sparse feature guided semantic prediction module which can generate high-quality semantic maps by fully exploiting informative cues from sparse objects. Extensive ablation studies on the DOTA dataset have validated the effectiveness of our method. Our method can achieve significantly better performance as compared to state-of-the-art image-level and point-level supervised detection methods, and reduce the performance gap between PSOD and box-level supervised object detection. Code will be available at https://github.com/heshitian/PLUG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google