人类物体定位:评估大面积高分辨率图像扫描使用深度学习在头部图像的评估
J Alex Hurt1, Ilinca Popescu2, Curt H Davis1,3
1Center for Geospatial Intelligence, University of Missouri, Columbia, MO 65211, USA.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
本研究通过提出可扩展的方法论,解决了在现实世界遥感中评估物体检测模型的挑战. 它可以在广的地理区域进行准确的性能测量,超越传统的封闭世界数据集.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 目前用于遥感的物体检测模型通常在小的,精心策划的数据集上进行评估,而不是反映现实世界的复杂性.
- 高分辨率的遥感数据带来了"大数据"的挑战,使传统的评估方法难以解决.
- 弥合实验室性能和现实世界的适用性之间的差距对于自动化分析至关重要.
研究的目的:
- 开发和介绍一种可扩展的方法,用于在现实世界遥感场景中评估对象检测机器学习模型.
- 通过对大规模,地理范围广泛的数据集进行性能评估,解决封闭世界测试的局限性.
- 为了促进人机合作,在广域遥感任务中进行自动化分析和发现.
主要方法:
- 使用基准数据集 (UC Merced,PatternNet,RESISC-45,MDSv2) 的对象类来训练深度卷积神经网络 (CNN).
- 开发了用于在大规模图像中定位对象检测结果的算法.
- 建立了一种方法来评估物体检测模型在广域遥感扫描中的性能.
主要成果:
- 展示了一种可扩展的方法,利用最先进的CNN来在广泛的地球图像中检测物体.
- 介绍了扫描地球广区域并定位检测结果的技术.
- 展示了一种可行的方法,用于在现实世界,大规模遥感应用中评估模型性能.
结论:
- 拟议的方法允许在实验室环境之外对物体检测模型进行可靠的评估.
- 这项研究有助于将机器学习模型转化为现实世界遥感应用.
- 这些发现支持在遥感领域开发自动化分析和广域搜索能力.
