[論文レビュー] xView: Objects in Context in Overhead Imagery

Darius Lam, Richard S. Kuzma+6 more|arXiv (Cornell University)|Feb 22, 2018

Advanced Neural Network Applications参考文献 17被引用数 86

ひとこと要約

xView は、60 クラスと約 1,000,000 のラベル付きオブジェクトを含み、1,400+ km2 にわたる大規模なオーバーヘッド画像物体検出データセットを導入し、複数段階の注釈・品質管理パイプラインとベースライン SSD 実験を提供します。

ABSTRACT

We introduce a new large-scale dataset for the advancement of object detection techniques and overhead object detection research. This satellite imagery dataset enables research progress pertaining to four key computer vision frontiers. We utilize a novel process for geospatial category detection and bounding box annotation with three stages of quality control. Our data is collected from WorldView-3 satellites at 0.3m ground sample distance, providing higher resolution imagery than most public satellite imagery datasets. We compare xView to other object detection datasets in both natural and overhead imagery domains and then provide a baseline analysis using the Single Shot MultiBox Detector. xView is one of the largest and most diverse publicly available object-detection datasets to date, with over 1 million objects across 60 classes in over 1,400 km^2 of imagery.

研究の動機と目的

• 複数の CV フロンティアにわたる研究を前進させるための、巨大で多様性に富み公開されるオーバーヘッド画像物体検出データセットを開発する。
• 高品質な境界ボックスとラベルを保証する、厳密な注釈および品質管理ワークフローを提供する。
• 実世界のオーバーヘッド画像を反映したマルチスケール検出と細かな分類を可能にする。
• 自然画像データセットや既存のオーバーヘッドデータセットとの比較を促進し、下流のリモートセンシング応用を促す。

提案手法

• WorldView-3 の 0.3m GSD の画像を収集して、60 クラスにわたる解像度と多様性を最大化する。
• クラスを階層的に 7 つの親カテゴリに編成し、文脈とばらつきを捉える複数の細分化された子クラスを持つ。
• 3 段階の品質管理注釈パイプライン（作業者、監督、専門家）を採用し、座標軸揃えの境界ボックスのための社内 QGIS ベースツールを使用する。
• 多様な AOI を横断するUTMグリッドを介して 1 km2 チップを作成し、シーンタイプの均等な分布と地理的多様性を確保する。
• 専門家ラベルに対する金標準ベンチマーク（IoU 0.5 で precision 0.75、recall 0.95）を含む、厳密なデータ真偽検証プロセスを実施する。
• Multi-scale features を用いた Single Shot Multibox Detector (SSD) でベースライン検出をベンチマークし、バニラ、マルチ解像度、増強データセットを評価する。

実験結果

リサーチクエスチョン

• RQ1 堅牢なオーバーヘッド画像物体検出データセットに必要な規模、多様性、品質はどの程度か？
• RQ2 大規模で多様なオーバーヘッドデータセット全体で、マルチスケール表現とデータ拡張が検出性能にどのように影響するか？
• RQ3 細かなクラスを含むオーバーヘッド検出データセットは、学習上の課題と評価の観点で自然画像ベンチマークとどのように比較されるか？
• RQ4 地理空間文脈における few-shot 学習やドメイン適応など、将来の研究方向をデータセットはサポートできるか？

主な発見

• xView は、100万件を超えるラベル付きオブジェクト、60クラス、そして1,400km2 を超える画像を含む。
• 3 段階の品質管理（作業者、監督、専門家）と金標準評価により、IoU 0.5 でラベリングの適合率 (0.75) と再現率 (0.95) を保証する。
• SSD ベースラインは、マルチ解像度の学習が vanilla および増強データセットよりも mean AP (mAP) を改善し、マルチ解像度が全体的な最良性能を達成することを示す。
• 検出性能は、より大きく文脈的に容易なクラスで高く、小さいまたは高変動クラスでは低下し、スケールと背景文脈の課題を強調する。
• データセットの地理的・文脈的多様性は、オーバーヘッド画像におけるドメイン適応と few-shot 学習アプローチの必要性を促す。