[论文解读] A benchmark dataset for deep learning-based airplane detection: HRPlanes

Tolga Bakırman, Elif Sertel|arXiv (Cornell University)|Apr 22, 2022

Advanced Neural Network Applications参考文献 39被引用 4

一句话总结

本文提出了HRPlanes，一个专为飞机检测而设计的新型高分辨率卫星图像数据集，数据源自全球主要机场的Google Earth影像，并通过人工标注边界框进行构建。在YOLOv4和Faster R-CNN上进行评估，该数据集的mAP在75% IoU下超过90%，证明其作为基于深度学习的飞机检测及迁移学习应用基准的有效性。

ABSTRACT

Airplane detection from satellite imagery is a challenging task due to the complex backgrounds in the images and differences in data acquisition conditions caused by the sensor geometry and atmospheric effects. Deep learning methods provide reliable and accurate solutions for automatic detection of airplanes; however, huge amount of training data is required to obtain promising results. In this study, we create a novel airplane detection dataset called High Resolution Planes (HRPlanes) by using images from Google Earth (GE) and labeling the bounding box of each plane on the images. HRPlanes include GE images of several different airports across the world to represent a variety of landscape, seasonal and satellite geometry conditions obtained from different satellites. We evaluated our dataset with two widely used object detection methods namely YOLOv4 and Faster R-CNN. Our preliminary results show that the proposed dataset can be a valuable data source and benchmark data set for future applications. Moreover, proposed architectures and results of this study could be used for transfer learning of different datasets and models for airplane detection.

研究动机与目标

• 为卫星图像中飞机检测缺乏大规模、多样化且高质量的数据集提供解决方案。
• 构建一个基准数据集，以捕捉全球机场在景观、季节性和卫星获取几何方面的差异。
• 在所提出的数据集上评估最先进目标检测模型（YOLOv4和Faster R-CNN），以验证其有效性。
• 支持在不同遥感及飞机检测任务中实现迁移学习与模型泛化。

提出的方法

• 从覆盖全球主要国际及军事机场的Google Earth中收集高分辨率卫星图像。
• 对图像中所有可见的飞机手动标注边界框，确保标注的高准确性。
• 构建一个平衡的数据集，涵盖不同天气、季节和传感器几何条件的多样性。
• 使用标准指标，在数据集上训练并评估两种领先的物体检测模型——YOLOv4和Faster R-CNN。
• 应用非极大值抑制和IoU阈值处理以评估检测性能并减少误报。
• 通过GitHub发布模型权重和测试集，以支持可复现性及进一步研究。

实验结果

研究问题

• RQ1 大规模、多样化且高分辨率的卫星图像数据集是否能提升深度学习模型在飞机检测中的性能？
• RQ2 YOLOv4和Faster R-CNN在具有多样化大气和几何条件的数据集上表现如何？
• RQ3 HRPlanes数据集在遥感应用中作为迁移学习基准的适用程度如何？
• RQ4 现有模型在复杂背景中检测部分可见或小尺度飞机方面存在哪些局限性？

主要发现

• HRPlanes数据集在YOLOv4和Faster R-CNN上均实现了75% IoU阈值下超过90%的平均精度均值（mAP）。
• YOLOv4在检测部分可见或小尺度飞机（如仅露出机头或尾部）方面表现更优。
• Faster R-CNN对运动模糊和遮挡更敏感，有时即使YOLOv4已检测到，仍会遗漏飞机部分结构。
• 得益于有效的非极大值抑制，两种模型均能成功检测拥挤场景中的多架飞机。
• YOLOv4在小型螺旋桨飞机场景中产生更多误报，但通过将置信度阈值提高至0.50可有效降低。
• 该数据集在迁移学习方面表现有效，模型权重可直接用于类似数据集或新遥感任务的推理。