YOLT

简介

YOLT是基于YOLO算法进行改进的高效卫星图像目标检测算法，主要针对高分辨率输入和密集小物体进行了优化。

在YOLO的基础上提出了一种两阶段的算法架构，不仅可以适应多尺度的检测，同时达到了F1>0.8的结果，最后还探究了分辨率和物体大小对于检测的影响，并发现只需要五个像素的大小就可以实现目标检测。文章主要从深度学习对于卫星图像目标检测的缺陷出发，提出了改进的细粒度的目标检测网络结构。同时为了解决检测不变性的问题进行了大量的数据增强。

卫星图像存在的挑战

·
空间范围较小：在卫星图像中，感兴趣的物体相对尺寸都很小而且常常聚拢在一起，与ImageNet数据集中大范围的显著物体大不相同。同时物体的分辨率主要由地面采样距离决定，它定义了每个像素对应的物理长度。通常情况下卫星运行的高度是350km左右，最清晰的商用卫星图像可以达到30cm的GSD（每个像素对应30cm），而普通的数字卫星影响只能达到3-4m的分辨率了。所以对于车辆、船只这样的小物体来说可能只有10多个像素来描述；

·
卫星图像中的物体具有各个方位的朝向，而ImageNet数据集中大多是竖直方向的，需要检测器具有旋转不变性；

·
训练数据的缺乏，对于卫星图像缺乏高质量的训练数据，虽然SpaceNet已经进行了一系列有益的工作；

·
极高的图像分辨率，与通常输入的小图片不同，卫星图像动辄上亿像素，简单的将采样方法对于卫星图像处理无法适用。

研究人员对数据进行了旋转和HSV的随机增强，是算法对于不同传感器、大气条件和光照条件具有更强的鲁棒性。

提出了利用区域图像作为输入。

下图中对比了原始图像和其中的图像片输入网络后的结果。全尺寸的网络几乎无法得到任何结果（下采样后图片分辨率损失），而图像片（像素数小于32）得到的结果也不尽如人意。

网络改进

首先研究人员们对算法架构进行了改造，将网络结构改成了22层和16的降采样因子，416416的像素输入后能得到2626的输出栅格，通过这样的技术来优化网络对于小物体、密集排布的检测效果。更密集的预测栅格对于停车场车辆和码头船只的检测十分重要。同时为了提高小物体的保真度，引入了一个直通层将最后52*52的直通层和最后一个卷基层进行组合，使得检测器可以通过拓展特组图发现更多细粒度的特征。

卷积网络中的神经元都使用批量归一化和LeakyRelu激活，最后一层使用线性激活函数。最后输出的结果N=Nboxes*（Nclass+5），每一个bbox包含四个坐标和一个包含物体的概率，以及属于每类物体的概率。

训练数据

由于在卫星图像处理中，主要关注飞机、轮船、建筑平面、汽车和机场，它们的尺度各不相同。研究人员训练了两个不同尺度的检测器来进行目标检测。

汽车数据集使用了COWC数据集，基于15cm的GSD尺度。为了与目前商用卫星图像的30cm尺度一致，利用高斯核对图像进性了处理，并在30cmGSD的尺度上为每辆车标注3m的边框，共13303个样本；

• 建筑平面基于SpaceNet的数据在30cmGSD尺度下标注了221336个样本；

• 飞机利用八张GigitalGlobe的图片标注了230个样本；

• 船只利用三张GigitalGlobe的图片标注了556个样本；

• 机场利用37张图片作为训练样本，其中包含机场跑道，并进行4比例的降采样。

测试

为了对测试图像的结果，研究人员们使用智能图像分割将原始图像按照15%的重叠率切分成一系列子图，并按照如下的格式进行位置标注：

将每一张图像送入模型后，得到的结果再更具上面的位置标记恢复到完整的图像中显示。