[論文レビュー] DOTA: A Large-scale Dataset for Object Detection in Aerial Images

Gui-Song Xia|arXiv (Cornell University)|Nov 28, 2017

Advanced Neural Network Applications参考文献 40被引用数 137

ひとこと要約

DOTAを紹介。15の向きカテゴリ、188,282のインスタンス、2806枚の高解像度画像を備えた大規模な航空画像物体検出データセット。水平方向境界ボックスと向き境界ボックスの検出のベースラインを提供。

ABSTRACT

Example datasets of the Interactive Feature Localization in Deep neural networks (IFeaLiD) tool. <strong>Cityscapes</strong> These datasets are based on the image <code>bielefeld_000000_007186_leftImg8bit.png</code> of the Cityscapes dataset. The datasets can be explored online in IFeaLiD: conv2_x (<code>bielefeld_000000_007186_leftImg8bit.png.C1.npz.8.zip</code>) conv3_x (<code>bielefeld_000000_007186_leftImg8bit.png.C2.npz.8.zip</code>) conv4_x (<code>bielefeld_000000_007186_leftImg8bit.png.C3.npz.8.zip</code>) <strong>COCO</strong> These datasets are based on the image <code>000000015746.jpg</code> of the COCO dataset. The datasets can be explored online in IFeaLiD: conv2_x (<code>000000015746.jpg.C1.npz.8.zip</code>) conv3_x (<code>000000015746.jpg.C2.npz.8.zip</code>) conv4_x (<code>000000015746.jpg.C3.npz.8.zip</code>) <strong>DIV2K</strong> These datasets are based on the image <code>0804.png</code> of the DIV2K dataset. The datasets can be explored online in IFeaLiD: conv2_x (<code>0804.png.C1.npz.8.zip</code>) conv3_x (<code>0804.png.C2.npz.8.zip</code>) conv4_x (<code>0804.png.C3.npz.8.zip</code>) <strong>DOTA</strong> These datasets are based on the image <code>P0034.png</code> of the DOTA dataset. The datasets can be explored online in IFeaLiD: conv2_x (<code>P0034.png.C1.npz.8.zip</code>) conv3_x (<code>P0034.png.C2.npz.8.zip</code>) conv4_x (<code>P0034.png.C3.npz.8.zip</code>)

研究の動機と目的

• 航空画像における堅牢な物体検出を促進・実現するため、現実世界の地球ビジョン課題を反映した大規模で多様かつ高解像度のデータセットを提供する。
• 航空シーン内の物体をより適切に囲む向き境界ボックス注釈を定義し、物体間の重なりを減少させる。
• 水平方向境界ボックス（HBB）と向き境界ボックス（OBB）の両方について、最先端検出器を用いたベースラインを確立する。
• 密集シーン、極端なアスペクト比、クラス内サイズ変動の大きさといった課題を強調し、今後のアルゴリズム開発を導く。

提案手法

• 解像度が最大4000x4000の複数センサー/プラットフォームから2806枚の航空画像を収集する。
• 15カテゴリに跨り、任意の向きの四辺形境界ボックスで188,282個の物体インスタンスを注釈付けする。
• 各画像の空間分解能メタデータを提供し、物体サイズを文脈付けする。
• OBBに対してFaster R-CNN型フレームワークを適応させたベースラインと、HBB向けの標準検出器を評価する。大規模画像サイズのためパッチ処理を含む。
• 切り取り戦略：CNN処理用に1024x1024パッチを512のストライドで生成し、結果を非極大抑制で統合する。

実験結果

リサーチクエスチョン

• RQ1 高度に可変な物体スケールと方向を持つ航空画像に対して、既存の物体検出器はどの程度一般化できるか？
• RQ2 航空データ上で水平境界ボックスで訓練した検出器と向き境界ボックスで訓練した検出器との性能ギャップはどれくらいか？
• RQ3 密集した航空シーンにおいて、向き境界ボックスは軸に対して整列したボックスより実質的な利得を提供するか？
• RQ4 DOTAは密度の高い小物体と大型物体のバランス、混雑度、極端なアスペクト比の点で検出器にどのような課題を与えるか？

主な発見

Detector	Plane	BD	Bridge	GTF	SV	LV	Ship	TC	BC	ST	SBF	RA	Harbor	SP	HC	Avg.
YOLOv2	76.9	33.87	22.73	34.88	38.73	32.02	52.37	61.65	48.54	33.91	29.27	36.83	36.44	38.26	11.61	39.2
R-FCN	81.01	58.96	31.64	58.97	49.77	45.04	49.29	68.99	52.07	67.42	41.83	51.44	45.15	53.30	33.89	52.58
FR-H	80.32	77.55	32.86	68.13	53.66	52.49	50.04	90.41	75.05	59.59	57.00	49.81	61.69	56.46	41.85	60.46
SSD	57.85	32.79	16.14	18.67	0.05	36.93	24.74	81.16	25.10	47.47	11.22	31.53	14.12	9.09	0.0	29.86

• DOTAは15カテゴリにまたがる188,282個のインスタンスを2806枚の高解像度画像に含み、これまでで最大の注釈付き航空物体データセットである。
• OBB用に適応・訓練された検出器は、混雑した物体や細長い物体で、軸整列ボックス（HBB）に対して顕著な改善を示す。
• 小さく密集した物体（例：小型/大型車両、船舶）を含む航空シーンにおいて、ベースラインは大きな難易度を示し、カテゴリ間で性能が混在する。
• UCAS-AODとDOTAのクロスデータセット実験は、DOTAの方が多様性と難易度が高く、一般化ギャップが大きいことを示す。
• 向き四辺形を用いたデータセット特有の注釈は、水平ボックスより狭い包囲と近接インスタンスの分離性を向上させる。