基于多示例学习的弱监督遥感图像车辆检测

发布时间：2020-05-23 23:13

【摘要】：遥感图像中的车辆检测和跟踪在民用和军事领域都发挥着重要作用,如公路交通监控,管理和城市交通规划等。与地面视角图像中的车辆检测相比,基于遥感图像车辆检测能够弥补地面视角车辆检测的不足,获得城市交通状况更全局的把握。但是由于遥感图像单一的外观,复杂的背景以及更小的尺寸等,当前的研究面临许多新的问题,比如表观特征不够明显,细节特征不足,背景干扰,标注困难等问题。此外,跨越不同分辨率和成像条件的训练样本很难得到充分的标注,因此,弱监督车辆检测对于卫星图像分析和处理非常重要。为了应对此项挑战,本文提出了一种基于递进深度学习的弱监督方法,此方法可用于在大规模应用场景中训练智能的,轻便的车辆检测器。该方案仅需要区域级别的组标注——即是否此区域包含车辆而不需要显式的标注出车辆的矩形框,基于此,本文设计了一个新颖的弱监督多示例排序算法从弱标签中递进地学习示例级别的分类器,具体而言,基于弱监督标签在车辆检测中的信息缺失问题,本文引入了一些额外的低代价的标注信息作为先验,之后基于这样的先验限制,再使用基于多示例学习的算法对车辆实例进行分类和递进性的定位。本文将此方法与一些常用的车辆检测算法在数据集的表现做了评估对比,实验的结果表现出此方法的优越性。综合以上描述,本文主要致力于以下三个方面的研究:(1)本文在多种传感器和图像状况下,收集大规模的车辆标注采用一种用户友好的,轻便的区域级别的标注,并基于此弱标注采用多示例的递进学习进行车辆检测。(2)由于弱监督定位的不准确性,我们将遥感的上下文信息引入地面视角的车辆检测中,用于遥感车辆小目标的检测,通过这种信息的迁移方式学习到的模型最终能够高效的完成对车辆的检测。(3)使用多示例学习从弱标注中递进地学习车辆检测器,我们以这种轻便的方式对弱监督遥感图像车辆检测方法进行了一个有益的探索,在准确率和召回率上取得了更好的权衡和提高,表现出此方法的优越性。
【图文】：

图１．１基于多示例学习的弱监督遥感图像车辆检测流程图逡逑

测有着广泛的应用。如军事和岛屿防御，交通检测，智能交通等等。逡逑２．１车辆检测的国内外研究现状逡逑图２．１展示了基于机器学习方法的车辆检测的一个典型的流程图。基于这种逡逑形式，我们首先回顾车辆检测的方法的四种基本类别：基于模板匹配的方法，基逡逑于知识的方法，，基于对象分析的目标检测方法和基于机器学习的方法。然后，为逡逑了一个更加明确的针对性，我们主要对基于机器学习方法的特征和算法做一个回逡逑顾。逡逑＾逦＾训练阶段逡逑对象样例逦逦邋？逦、逡逑．邋固像逦广逡逑、逦ｙ逦＼邋车辆／目＿的＿＼邋用于检测的逡逑＿＿分类器训练—，

本文编号：2678095