A Guide to Image and Video based Small Object Detection using Deep Learning : Case Study of Maritime Surveillance

要約

光学画像およびビデオにおける小物体検出（SOD）は、最先端の一般的な物体検出方法でさえ、そのような物体を正確に特定および識別することができないという挑戦的な問題です。
通常、カメラとオブジェクトの距離が大きいため、実際には小さなオブジェクトが表示されます。
小さなオブジェクトは入力画像の小さな領域（たとえば、10％未満）しか占めないため、そのような小さな領域から抽出された情報は、意思決定をサポートするのに十分なほど豊富であるとは限りません。
学際的な戦略は、SOD深層学習ベースの方法のパフォーマンスを向上させるために深層学習とコンピュータービジョンのインターフェースで作業する研究者によって開発されています。
この論文では、この成長する主題を調査するために、2017年から2022年の間に発行された160を超える研究論文の包括的なレビューを提供します。
このホワイトペーパーでは、既存の文献を要約し、現在の研究の全体像を示す分類法を提供します。
パフォーマンスの向上が重要な海事環境で、小物体検出のパフォーマンスを向上させる方法を調査します。
ジェネリックSOD研究と海事SOD研究の関係を確立することにより、将来の方向性が特定されました。
さらに、一般的な海事アプリケーションのSODに使用されている一般的なデータセットについて説明し、一部のデータセットの最先端の方法に関するよく知られた評価指標も提供します。

要約(オリジナル)

Small object detection (SOD) in optical images and videos is a challenging problem that even state-of-the-art generic object detection methods fail to accurately localize and identify such objects. Typically, small objects appear in real-world due to large camera-object distance. Because small objects occupy only a small area in the input image (e.g., less than 10%), the information extracted from such a small area is not always rich enough to support decision making. Multidisciplinary strategies are being developed by researchers working at the interface of deep learning and computer vision to enhance the performance of SOD deep learning based methods. In this paper, we provide a comprehensive review of over 160 research papers published between 2017 and 2022 in order to survey this growing subject. This paper summarizes the existing literature and provide a taxonomy that illustrates the broad picture of current research. We investigate how to improve the performance of small object detection in maritime environments, where increasing performance is critical. By establishing a connection between generic and maritime SOD research, future directions have been identified. In addition, the popular datasets that have been used for SOD for generic and maritime applications are discussed, and also well-known evaluation metrics for the state-of-the-art methods on some of the datasets are provided.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google