elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery

Azimi, Seyedmajid und Vig, Eleonora und Bahmanyar, Reza und Körner, Marco und Reinartz, Peter (2018) Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery. Asian Conference of Computer Vision 2018 (ACCV), 2018-12-02 - 2018-12-06, Perth, Western Australia. doi: 10.1007/978-3-030-20893-6_10.

[img] PDF
6MB

Offizielle URL: https://arxiv.org/abs/1807.02700

Kurzfassung

Automatic multi-class object detection in remote sensing images in unconstrained scenarios is of high interest for several applications including traffic monitoring and disaster management. The huge variation in object scale, orientation, category, and complex backgrounds, as well as the different camera sensors pose great challenges for current algorithms. In this work, we propose a new method consisting of a novel joint image cascade and feature pyramid network with multi-size convolution kernels to extract multi-scale strong and weak semantic features. These features are fed into rotation-based region proposal and region of interest networks to produce object detections. Finally, rotational non-maximum suppression is applied to remove redundant detections. During training, we minimize joint horizontal and oriented bounding box loss functions, as well as a novel loss that enforces oriented boxes to be rectangular. Our method achieves 68.16% mAP on horizontal and 72.45% mAP on oriented bounding box detection tasks on the challenging DOTA dataset, outperforming all published methods by a large margin (+6% and +12% absolute improvement, respectively). Furthermore, it generalizes to two other datasets, NWPU VHR-10 and UCAS-AOD, and achieves competitive results with the baselines even when trained on DOTA. Our method can be deployed in multi-class object detection applications, regardless of the image and object scales and orientations, making it a great choice for unconstrained aerial and satellite imagery.

elib-URL des Eintrags:https://elib.dlr.de/123599/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Azimi, SeyedmajidSeyedmajid.Azimi (at) dlr.dehttps://orcid.org/0000-0002-6084-2272NICHT SPEZIFIZIERT
Vig, EleonoraEleonora.Vig (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Bahmanyar, Rezareza.bahmanyar (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Körner, Marcomarco.koerner (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Reinartz, Peterpeter.reinartz (at) dlr.dehttps://orcid.org/0000-0002-8122-1475NICHT SPEZIFIZIERT
Datum:2018
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.1007/978-3-030-20893-6_10
Seitenbereich:Seiten 1-16
Status:veröffentlicht
Stichwörter:Multi-class Object Detection, Remote Sensing Imagery, traffic monitoring
Veranstaltungstitel:Asian Conference of Computer Vision 2018 (ACCV)
Veranstaltungsort:Perth, Western Australia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:2 Dezember 2018
Veranstaltungsende:6 Dezember 2018
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Verkehrsmanagement (alt)
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V VM - Verkehrsmanagement
DLR - Teilgebiet (Projekt, Vorhaben):V - Vabene++ (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von: Zielske, Mandy
Hinterlegt am:22 Nov 2018 17:10
Letzte Änderung:24 Apr 2024 20:27

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.