Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse Geo-Annotations (Full Version)

要約

最近では、航空機や衛星からのリモート センシング画像の可用性が常に向上しています。
このようなデータの自動解釈のために、深層学習ベースのオブジェクト検出器が最先端のパフォーマンスを実現します。
ただし、確立されたオブジェクト検出器には、トレーニング用の完全で正確かつ正確な境界ボックスの注釈が必要です。
オブジェクト検出器に必要なトレーニング アノテーションを作成するために、画像をジオリファレンスし、GPS センサーによってローカライズされた関心のあるポイントなど、他のソースからのデータと組み合わせることができます。
残念ながら、この組み合わせにより、オブジェクトのローカリゼーションが不十分になり、注釈が失われることがよくあります。
したがって、このようなデータを使用してオブジェクト検出器をトレーニングすると、検出性能が不十分になることがよくあります。
この論文では、非常にノイズが多く不完全な注釈を使用してオブジェクト検出器をトレーニングするための新しいアプローチを紹介します。
私たちの方法は、教師と生徒の学習フレームワークと、不正確で欠落している注釈を説明する修正モジュールに基づいています。
したがって、私たちの方法は使いやすく、任意のオブジェクト検出器と組み合わせることができます。
私たちのアプローチは、ノイズの多い現実世界のリモート センシング データセットで、標準的な検出器を 37.1\% $AP_{50}$ 改善することを示しています。
さらに、この方法では、合成ノイズを含む 2 つのデータセットでパフォーマンスが大幅に向上します。
コードは \url{https://github.com/mxbh/robust_object_detection} で入手できます。

要約(オリジナル)

Recently, the availability of remote sensing imagery from aerial vehicles and satellites constantly improved. For an automated interpretation of such data, deep-learning-based object detectors achieve state-of-the-art performance. However, established object detectors require complete, precise, and correct bounding box annotations for training. In order to create the necessary training annotations for object detectors, imagery can be georeferenced and combined with data from other sources, such as points of interest localized by GPS sensors. Unfortunately, this combination often leads to poor object localization and missing annotations. Therefore, training object detectors with such data often results in insufficient detection performance. In this paper, we present a novel approach for training object detectors with extremely noisy and incomplete annotations. Our method is based on a teacher-student learning framework and a correction module accounting for imprecise and missing annotations. Thus, our method is easy to use and can be combined with arbitrary object detectors. We demonstrate that our approach improves standard detectors by 37.1\% $AP_{50}$ on a noisy real-world remote-sensing dataset. Furthermore, our method achieves great performance gains on two datasets with synthetic noise. Code is available at \url{https://github.com/mxbh/robust_object_detection}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google