FlightScope: A Deep Comprehensive Assessment of Aircraft Detection Algorithms in Satellite Imagery

要約

遠隔で撮影した衛星写真での物体検出は、生物物理学や環境モニタリングなどの多くの分野で基礎となります。
深層学習アルゴリズムは常に進化していますが、そのほとんどは一般的な地上で撮影された写真に対して実装およびテストされています。
このペーパーでは、衛星画像内で航空機を識別するタスク用にカスタマイズされた一連の高度な物体検出アルゴリズムを批判的に評価および比較します。
この研究では、大規模な HRPlanesV2 データセットを GDIT データセットによる厳密な検証とともに使用し、YOLO バージョン 5 および 8、Faster RCNN、CenterNet、RetinaNet、RTMDet、DETR などの一連の方法論を網羅しており、すべて最初からトレーニングされています。
この徹底的なトレーニングと検証の研究により、YOLOv5 がリモート センシング データから飛行機を識別する特定のケースに対応する優れたモデルであることが明らかになり、さまざまな画像条件にわたる高精度と適応性が実証されました。
この調査では、空中物体検出の堅牢なソリューションとして登場した YOLOv5 とともに、これらのアルゴリズムの微妙なパフォーマンス状況に焦点を当てており、優れた平均平均精度、リコール、ユニオン スコアに対する交差によってその重要性が強調されています。
ここで説明した調査結果は、衛星画像解析の特定の要求に合わせたアルゴリズム選択の基本的な役割を強調し、モデルの有効性を評価するための包括的なフレームワークを拡張します。
https://github.com/toelt-llc/FlightScope_Bench から入手できるベンチマーク ツールキットとコードは、リモート センシングによる物体検出の領域でのさらなる探索と革新を目的としており、衛星画像アプリケーションにおける分析手法の改善への道を切り開きます。

要約(オリジナル)

Object detection in remotely sensed satellite pictures is fundamental in many fields such as biophysical, and environmental monitoring. While deep learning algorithms are constantly evolving, they have been mostly implemented and tested on popular ground-based taken photos. This paper critically evaluates and compares a suite of advanced object detection algorithms customized for the task of identifying aircraft within satellite imagery. Using the large HRPlanesV2 dataset, together with a rigorous validation with the GDIT dataset, this research encompasses an array of methodologies including YOLO versions 5 and 8, Faster RCNN, CenterNet, RetinaNet, RTMDet, and DETR, all trained from scratch. This exhaustive training and validation study reveal YOLOv5 as the preeminent model for the specific case of identifying airplanes from remote sensing data, showcasing high precision and adaptability across diverse imaging conditions. This research highlight the nuanced performance landscapes of these algorithms, with YOLOv5 emerging as a robust solution for aerial object detection, underlining its importance through superior mean average precision, Recall, and Intersection over Union scores. The findings described here underscore the fundamental role of algorithm selection aligned with the specific demands of satellite imagery analysis and extend a comprehensive framework to evaluate model efficacy. The benchmark toolkit and codes, available via https://github.com/toelt-llc/FlightScope_Bench, aims to further exploration and innovation in the realm of remote sensing object detection, paving the way for improved analytical methodologies in satellite imagery applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google