最先进的深度学习方法用于遥感卫星图像中的对象检测
Adekanmi Adeyinka Adegun1, Jean Vincent Fonou Dombeu2, Serestina Viriri1
1School of Mathematics, Statistics and Computer Science, University of KwaZulu-Natal, Durban 4041, South Africa.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
在卫星图像中深度学习对象检测面临挑战. 这项研究对各种景观的YOLO和R-CNN模型进行了评估,在植被和游泳池方面达到90%以上的准确性,YOLOv8显示了最快的检测速度.
科学领域:
- 遥感和地理空间分析.
- 计算机视觉和深度学习应用.
- 环境和城市监测.
背景情况:
- 卫星图像中的物体检测对于预防灾害,资源管理和城市规划至关重要.
- 深度学习模型在遥感数据中与异质的景观,相似的对象类和多样化的对象外观作斗争.
- 获得复杂的遥感场景的代表性训练数据仍然是一个重大挑战.
研究的目的:
- 评估基于深度学习的对象检测算法在遥感卫星图像上的性能.
- 为了应对景观异质性和数据限制所带来的对象检测挑战.
- 使用新创建的数据集,比较各种物体检测模型,包括R-CNN和YOLO架构.
主要方法:
- 利用多对象检测深度学习算法与转移学习方法相结合.
- 开发并使用了来自南非克瓦祖鲁-纳塔尔南部的谷歌地球引擎的各种功能新数据集.
- 在新数据集和两个公共数据集 (Visdron, PASCAL VOC2007) 上,基于R-CNN和YOLO架构的五种对象检测方法进行了实验性评估.
主要成果:
- 对最近的深度学习对象检测方法进行了全面的性能评估和分析.
- 在植被和游泳池实例中,获得了超过90%的最高检测准确度.
- YOLOv8模型展示了最快的检测速度,记录在0.2毫秒.
结论:
- 深度学习对象检测模型显示出分析高分辨率遥感图像的前景.
- 该研究强调了YOLOv8在特定对象类的准确性和速度方面的有效性.
- 在复杂的遥感应用中,转移学习和定制数据集对于提高对象检测性能至关重要.
