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

MultiScene: A Large-scale Dataset and Benchmark for Multiscene Recognition in Single Aerial Images

Hua, Yuansheng und Mou, LiChao und Jin, Pu und Zhu, Xiao Xiang (2022) MultiScene: A Large-scale Dataset and Benchmark for Multiscene Recognition in Single Aerial Images. IEEE Transactions on Geoscience and Remote Sensing, 60, Seite 5610213. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/TGRS.2021.3110314. ISSN 0196-2892.

[img] PDF - Verlagsversion (veröffentlichte Fassung)
6MB

Offizielle URL: https://ieeexplore.ieee.org/document/9537917

Kurzfassung

Aerial scene recognition is a fundamental research problem in interpreting high-resolution aerial imagery. Over the past few years, most studies focus on classifying an image into one scene category, while in real-world scenarios, it is more often that a single image contains multiple scenes. Therefore, in this paper, we investigate a more practical yet underexplored task -- multi-scene recognition in single images. To this end, we create a large-scale dataset, called MultiScene, composed of 100,000 unconstrained high-resolution aerial images. Considering that manually labeling such images is extremely arduous, we resort to low-cost annotations from crowdsourcing platforms, e.g., OpenStreetMap (OSM). However, OSM data might suffer from incompleteness and incorrectness, which introduce noise into image labels. To address this issue, we visually inspect 14,000 images and correct their scene labels, yielding a subset of cleanly-annotated images, named MultiScene-Clean. With it, we can develop and evaluate deep networks for multi-scene recognition using clean data. Moreover, we provide crowdsourced annotations of all images for the purpose of studying network learning with noisy labels. We conduct experiments with extensive baseline models on both MultiScene-Clean and MultiScene to offer benchmarks for multi-scene recognition in single images and learning from noisy labels for this task, respectively.

elib-URL des Eintrags:https://elib.dlr.de/145753/
Dokumentart:Zeitschriftenbeitrag
Titel:MultiScene: A Large-scale Dataset and Benchmark for Multiscene Recognition in Single Aerial Images
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Hua, YuanshengYuansheng.Hua (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Mou, LiChaoLiChao.Mou (at) dlr.dehttps://orcid.org/0000-0001-8407-6413NICHT SPEZIFIZIERT
Jin, Pupu.jin (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Erschienen in:IEEE Transactions on Geoscience and Remote Sensing
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:60
DOI:10.1109/TGRS.2021.3110314
Seitenbereich:Seite 5610213
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:0196-2892
Status:veröffentlicht
Stichwörter:Computer Vision, Pattern Recognition
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Rösel, Dr. Anja
Hinterlegt am:19 Nov 2021 09:23
Letzte Änderung:13 Jan 2023 10:05

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.