[论文解读] Fast Vehicle Detection in Aerial Imagery

Jennifer Carlet, Bernard Abayowa|arXiv (Cornell University)|Sep 25, 2017

Advanced Neural Network Applications参考文献 6被引用 14

一句话总结

本文提出了一种经过优化的 YOLOv2 检测器，通过减少网络深度并调整输入分辨率以匹配航拍图像的宽高比，实现了在航拍图像中快速、实时的车辆检测。该改进模型在推理速度上超过 Faster R-CNN 的 4 倍，同时达到接近最先进水平的准确率，在航拍数据集上的表现显著优于基线 YOLO，且保持了较高的推理速度。

ABSTRACT

In recent years, several real-time or near real-time object detectors have been developed. However these object detectors are typically designed for first-person view images where the subject is large in the image and do not directly apply well to detecting vehicles in aerial imagery. Though some detectors have been developed for aerial imagery, these are either slow or do not handle multi-scale imagery very well. Here the popular YOLOv2 detector is modified to vastly improve it's performance on aerial data. The modified detector is compared to Faster RCNN on several aerial imagery datasets. The proposed detector gives near state of the art performance at more than 4x the speed.

研究动机与目标

• 解决航拍图像中实时、高精度车辆检测不足的问题，因为现有检测器速度过慢或效果不佳。
• 提升 YOLOv2 在小尺寸、低对比度车辆上的检测性能，而 YOLOv2 原本是为地面视角设计的。
• 在保持高精度和高召回率的同时，实现在多样化航拍数据集上的近实时推理速度。
• 通过优化网络架构和输入分辨率，更好地处理多尺度、宽高比多变的航拍图像。
• 在速度方面证明优于 Faster R-CNN，同时在特定航拍数据集上的检测性能与之相当或更优。

提出的方法

• 通过减少网络深度来提升特征图分辨率，从而改善小目标的检测能力，对 YOLOv2 进行改进。
• 调整输入图像尺寸（例如 864x480），以更好地匹配 AFVID 和 AF Building Camera 等航拍数据集的宽高比。
• 在多个航拍数据集（包括 AFVID、VEDAI、DLR3k 和 NeoVision2-Helicopter）上进行微调，以提升模型泛化能力。
• 采用 ImageNet 和 PASCAL VOC 的预训练权重进行迁移学习，随后在航拍特定数据上进行微调。
• 使用矩形输入形状，以提升航拍视角中细长车辆的特征表示能力。
• 通过在多个数据集上对比平均精度（mAP）和每秒帧数（FPS），评估与 Faster R-CNN 的性能差异。

实验结果

研究问题

• RQ1 经过修改的 YOLOv2 检测器是否能在保持高准确率的同时实现近实时推理速度，用于航拍车辆检测？
• RQ2 减少 YOLOv2 的深度在航拍图像中小尺寸、低对比度车辆检测中的性能影响如何？
• RQ3 将输入分辨率与航拍数据的宽高比相匹配，能在多大程度上提升检测准确率？
• RQ4 在多样化航拍数据集上，修改后的 YOLOv2 与 Faster R-CNN 在 mAP 和推理速度方面的表现如何比较？
• RQ5 Faster R-CNN 在密集停车场场景中对中等大小车辆表现不佳的原因是什么？YOLO 是否能更好地处理重叠目标？

主要发现

• 浅层 YOLO 模型（864x480 输入）在 AFVID 数据集上达到 76% 的平均精度（AP）和 87% 的平均召回率（AR），在速度和准确率上均优于 Faster R-CNN。
• 在 AF Building Camera 数据集上，修改后的 YOLO 模型 mAP 达到 0.50，比 Faster R-CNN 的 0.30 高出 50%，尽管后者在 AFVID 上进行了训练。
• 修改后的 YOLO 在 864x480 输入下达到 13 FPS，超过 Faster R-CNN 的 3 FPS，速度提升 4 倍以上，同时保持了具有竞争力的 mAP。
• 浅层 YOLO 模型（864x480 输入）在 VEDAI 数据集上达到 61% 的 mAP 和 81% 的 mAR，显著优于基线 YOLO，且接近 Faster R-CNN 的性能。
• Faster R-CNN 在密集场景中对中等大小车辆表现较差，可能由于重叠目标检测失败；而 YOLO 保持了稳定的检测性能。
• 在 AFVID 和 AF Building Camera 数据集上微调后，修改后的 YOLO 模型在 AFVID 上达到 0.76 mAP，在 VEDAI 上达到 0.61 mAP，表明其在不同数据集间具有强大的泛化能力。