Insight Into the Collocation of Multi-Source Satellite Imagery for Multi-Scale Vessel Detection

要約

ディープラーニング (DL) を使用した衛星画像からの船舶検出は、海洋監視に不可欠なソリューションです。
ただし、あるデータセットでトレーニングされた DL モデルを、空間解像度と放射特徴が異なる他のデータセットに適用するには、多くの調整が必要です。
この問題を克服するために、このペーパーでは、さまざまな光学画像とレーダーと光学データの組み合わせで構成されるデータセットでトレーニングされた DL モデルに焦点を当てました。
限られた数のトレーニング画像を扱う場合、このアプローチによる DL モデルのパフォーマンスは満足のいくものでした。
テストされた光学画像に応じて、平均精度の 5 ～ 20% 向上する可能性があります。
同様に、光学データセットとレーダー データセットを組み合わせてトレーニングされた DL モデルは、光学画像とレーダー画像の両方に適用できます。
私たちの実験では、光学データセットでトレーニングされたモデルはレーダー画像に使用できる一方、レーダー データセットでトレーニングされたモデルを光学画像に適用すると非常に悪いスコアが得られることがわかりました。

要約(オリジナル)

Ship detection from satellite imagery using Deep Learning (DL) is an indispensable solution for maritime surveillance. However, applying DL models trained on one dataset to others having differences in spatial resolution and radiometric features requires many adjustments. To overcome this issue, this paper focused on the DL models trained on datasets that consist of different optical images and a combination of radar and optical data. When dealing with a limited number of training images, the performance of DL models via this approach was satisfactory. They could improve 5-20% of average precision, depending on the optical images tested. Likewise, DL models trained on the combined optical and radar dataset could be applied to both optical and radar images. Our experiments showed that the models trained on an optical dataset could be used for radar images, while those trained on a radar dataset offered very poor scores when applied to optical images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google