自监督论文阅读笔记 Self-Supervised Deep Learning for Vehicle Detection in High-Resolution Satellite Imagery

最新推荐文章于 2024-01-06 19:32:58 发布

YoooooL_

最新推荐文章于 2024-01-06 19:32:58 发布

阅读量767

点赞数

分类专栏：论文阅读笔记文章标签：人工智能 python 深度学习计算机视觉机器学习

本文链接：https://blog.csdn.net/YoooooL_/article/details/126094861

版权

本文介绍了一种自监督深度学习方法，用于在未经标注的高分辨率卫星图像中检测车辆。该方法结合形态学车辆检测算法生成训练数据，用于训练CNN，有效应对类别不平衡问题。在0.31米分辨率的Worldview-3卫星图像上测试，展示了在复杂场景中的鲁棒性，特别适用于依赖车辆密度估计的应用。

摘要由CSDN通过智能技术生成

本文中，展示了一个自监督的深度学习流程，它可以有效地学习 检测车辆，而无需使用任何预先标记的训练数据。该流程使用 形态学车辆检测算法 自动生成卷积神经网络 (CNN) 的训练集。本文使用 0.31 米的多光谱 Worldview-3 卫星图像在沙特阿拉伯利雅得的一个混合用途城市社区测试了这种方法，该图像具有八个可见光和近红外波长波段。该方法通过从高精度、低召回率的形态模型 生成平衡的训练样本 来训练神经网络来识别一般的车辆特征，从而利用许多车辆检测问题固有的类别不平衡。这种方法建立在广泛适用的图像处理方法之上，经过适当调整，可能会适应各种卫星或航空来源的高分辨率。

计算机视觉的最新进展推动了城市应用遥感的快速增长。随着高分辨率卫星和航空图像的日益普及，车辆检测 在城市规划、资源管理、自然灾害监测和移动建模中变得越来越普遍。目前可用的最准确的目标提取方法 通常依赖于手动标记的数据 来训练完全监督的深度学习模型 [1]。生成合适的数据集可能既耗时又昂贵，尤其是因为生成高质量的标签可能需要领域专业知识。

随着可用图像的数量和多样性的不断增长，为不同的感兴趣对象创建大型手动注释数据集可能会给该领域的研究人员和从业者带来重大瓶颈。一些研究试图 限制注释数据的使用 [1] 来克服这些挑战。本文提出了一种 完全自监督的方法，该方法 利用形态算法和深度学习的组合 来 检测未标记卫星图像中的车辆。

形态学方法和图像处理算法已显示出用于自动目标检测的有希望的能力。一些研究人员已经 使用形态学过程 [2] 在高分辨率卫星图像中检测车辆。最近，深度学习方法在车辆检测任务中表现出很高的准确性，最成功的深度学习方法通常利用大规模的手动标记的数据集，例如Cars Overhead with Con-text(COWC) [3]。然而，这些数据集是 针对特定的图像规范