[论文解读] GLSD: The Global Large-Scale Ship Database and Baseline Evaluations

Zhenfeng Shao, Jiaming Wang+9 more|arXiv (Cornell University)|Jun 5, 2021

Advanced Neural Network Applications参考文献 51被引用 4

一句话总结

本文提出了GLSD，一个包含152,576张图像和212,357个实例的大型全球船舶数据库，涵盖13种详细的船舶类别，旨在推动真实场景下的船舶检测研究。该工作提出了一套标准化的评估协议，并对最先进目标检测器进行了基准测试，结果表明，同步批量归一化（SyncBN）和多尺度训练在具有地理上下文信息的复杂多变船舶图像上能带来可测量的性能提升。

ABSTRACT

In this paper, we introduce a challenging global large-scale ship database (called GLSD), designed specifically for ship detection tasks. The designed GLSD database includes a total of 212,357 annotated instances from 152,576 images. Based on the collected images, we propose 13 ship categories that widely exist in international routes. These categories include Sailing boat, Fishing boat, Passenger ship, Warship, General cargo ship, Container ship, Bulk cargo carrier, Barge, Ore carrier, Speed boat, Canoe, Oil carrier, and Tug. The motivations of developing GLSD include the following: 1) providing a refine and extensive ship detection database that benefits the object detection community, 2) establishing a database with exhaustive labels (bounding boxes and ship class categories) in a uniform classification scheme, and 3) providing a large-scale ship database with geographic information (covering more than 3000 ports and 33 routes) that benefits multi-modal analysis. In addition, we discuss the evaluation protocols corresponding to image characteristics in GLSD and analyze the performance of selected state-of-the-art object detection algorithms on GSLD, aiming to establish baselines for future studies. More information regarding the designed GLSD can be found at https://github.com/jiaming-wang/GLSD.

研究动机与目标

• 为解决当前缺乏大规模、细粒度且带有地理标注的船舶数据集以用于训练和评估目标检测模型的问题。
• 建立一套针对船舶检测独特挑战（如尺度、视角和环境变化）的标准化评估协议。
• 为最先进目标检测模型在多样化、具有全球代表性的船舶数据集上提供基线性能评估。
• 通过整合超过3,000个港口和33条国际航运路线的地理信息，支持多模态分析。
• 通过识别如“拖船”、“独木舟”和“快艇”等代表性不足的船舶类型，缓解长尾分布问题，为未来数据扩展提供方向。

提出的方法

• GLSD数据库通过从卫星和航空影像源收集的图像构建而成，覆盖国际航运路线和港口，对边界框进行了严格标注，并划分出13种不同的船舶类别。
• 基于图像的尺度、视角和环境条件等特征，设计了一套新颖的评估协议，用于评估模型的鲁棒性和泛化能力。
• 采用标准化指标（如AP、AP50、AP75和AP_S/M/L）对最先进目标检测模型（包括PAA）在GLSD上的训练与评估，以衡量其在不同尺寸目标上的性能表现。
• 通过消融实验评估多尺度训练以及归一化策略（BN、GN、SyncBN）对检测精度和收敛速度的影响。
• 路线版本GLSD_port集成了地理元数据，支持多模态学习和上下文感知的检测任务。
• 该数据集通过GitHub公开发布，以支持可复现性及社区驱动的研究。

实验结果

研究问题

• RQ1 最先进目标检测器在大规模、细粒度且带有地理标注的船舶检测基准上的性能表现如何？
• RQ2 多尺度训练和归一化策略对在复杂成像条件下检测小尺寸和多样化船舶实例的影响是什么？
• RQ3 不同图像特征（如尺度、视角和天气）如何对真实海洋数据上的检测性能产生负面影响？
• RQ4 地理上下文信息（港口和航运路线）的引入在多大程度上提升了船舶检测模型的鲁棒性和准确性？
• RQ5 当前模型在GLSD上的主要局限性是什么，特别是在代表性不足的船舶类别中长尾分布问题方面？

主要发现

• 与批量归一化（BN）相比，使用同步批量归一化（SyncBN）使平均精度（AP）提升了0.3%；与组归一化（GN）相比则提升了3.6%，表明SyncBN在处理GLSD中多样化数据分布方面具有显著优势。
• 采用1,333×640和1,333×800像素的多尺度训练仅带来微小的性能增益，表明GLSD中极端的尺度变化限制了标准多尺度增强的收益。
• PAA检测器在GLSD上的平均精度（AP）为30.9%，在小尺寸目标上的表现显著较差（AP_S = 3.9%），凸显了检测微小船舶的挑战。
• 使用BN时，小目标的平均召回率（AR_S）为34.3%，而使用GN时下降至31.6%，表明归一化策略对小目标检测性能有显著影响。
• 大尺寸目标的平均召回率（AR_L）达到72.5%，表明大船可被更可靠地检测到，但小尺寸和中尺寸船舶仍是主要挑战。
• 该数据集呈现出明显的长尾分布，其中“拖船”、“独木舟”和“快艇”等类别的实例数量较少，这些类别在真实海洋监控中至关重要，亟需进一步的数据收集。