在远程传感图像中通过数据清除和静止元学习进行短拍物体检测
Zijiu Yang1, Wenbin Guan1, Luyang Xiao1
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
本研究介绍了一种使用超级学习进行远程传感图像的平衡短拍物体探测器 (B-FSDet). 它通过解决注释和特征表示挑战来提高对象检测准确度,而数据有限.
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:
- 由于有限的遥感数据,少射击物体检测 (FSOD) 面临着挑战.
- 遥感图像 (RSI) 为对象检测带来了独特的困难.
- 现有的方法在不完整的注释和特征向量变异方面扎.
研究的目的:
- 为具有有限数据的RSI开发基于元学习的对象探测器.
- 为了提高遥感中少数射击物体检测的准确性和稳定性.
- 解决FSOD中的数据不平衡和特征表示问题.
主要方法:
- 在YOLOv9 (GELAN-C) 上构建的平衡的几射击物体探测器 (B-FSDet).
- 对平衡类别输入的数据清算策略.
- 静态特征提取和预测用于稳定的元学习.
- 阶级间的歧视支持损失,以改善阶级的分离性.
主要成果:
- 在DIOR和NWPU VHR-10.v2数据集上,B-FSDet表现出有希望的性能.
- 对比分析显示,与最先进的探测器相比,其效果更好.
- 提出的方法有效地处理不完整的注释和特征差异.
结论:
- 基于元学习的B-FSDet显著提升了远程传感的FSOD.
- 新的策略改善了数据平衡,特征表示和阶级间歧视.
- 这项工作为RSIs中稀缺数据的对象检测提供了强大的解决方案.
