[论文解读] Grayscale Based Algorithm for Remote Sensing with Deep Learning.

Sai Ganesh Cs, Aouthithiye Barathwaj S. R. Y+1 more|arXiv (Cornell University)|Oct 16, 2021

Advanced Image Fusion Techniques参考文献 21被引用 4

一句话总结

本文提出一种基于灰度图的 YOLOv3 算法，通过减轻大气光失真（如瑞利散射）的影响，提升遥感目标检测性能。通过在推理前将 RGB 图像转换为灰度图，该方法相较于标准 YOLOv3 在检测精度和鲁棒性方面均有提升，尤其在复杂大气条件下表现更优。

ABSTRACT

Remote sensing is the image acquisition of a target without having physical contact with it. Nowadays remote sensing data is widely preferred due to its reduced image acquisition period. The remote sensing of ground targets is more challenging because of the various factors that affect the propagation of light through different mediums from a satellite acquisition. Several Convolutional Neural Network-based algorithms are being implemented in the field of remote sensing. Supervised learning is a machine learning technique where the data is labelled according to their classes prior to the training. In order to detect and classify the targets more accurately, YOLOv3, an algorithm based on bounding and anchor boxes is adopted. In order to handle the various effects of light travelling through the atmosphere, Grayscale based YOLOv3 configuration is introduced. For better prediction and for solving the Rayleigh scattering effect, RGB based grayscale algorithms are proposed. The acquired images are analysed and trained with the grayscale based YOLO3 algorithm for target detection. The results show that the grayscale-based method can sense the target more accurately and effectively than the traditional YOLOv3 approach.

研究动机与目标

• 解决卫星遥感中大气光失真（尤其是瑞利散射效应）带来的挑战。
• 通过减少 RGB 颜色通道带来的噪声与复杂性，提升遥感中的目标检测精度。
• 通过灰度图预处理，提升 YOLOv3 在遥感应用中的性能。
• 评估灰度图转换在提升模型泛化能力与在不同大气条件下的检测鲁棒性方面的有效性。

提出的方法

• 采用 YOLOv3 作为基础目标检测框架，因其具备高效性及基于锚框的边界框预测能力。
• 在模型推理前将输入的 RGB 遥感图像转换为灰度图，以降低光谱复杂性与噪声。
• 应用灰度图转换以减轻大气散射（尤其是瑞利散射）对图像质量的影响。
• 使用带预标注目标数据的监督学习方法训练基于灰度图的 YOLOv3 模型，实现分类与定位。
• 在 YOLOv3 中利用锚框与特征金字塔网络，以在遥感图像中实现多尺度目标检测。
• 通过灰度 YOLOv3 流程处理卫星图像，预测地面目标的边界框与类别标签。

实验结果

研究问题

• RQ1 灰度图预处理能否提升受大气光失真影响的遥感图像中目标检测的精度？
• RQ2 在不同大气条件下，基于灰度图的 YOLOv3 模型与标准 YOLOv3 在检测地面目标方面表现如何比较？
• RQ3 灰度图转换在多大程度上减轻了瑞利散射对遥感图像质量的影响？
• RQ4 使用灰度图是否能增强模型在遥感应用中的鲁棒性与泛化能力？

主要发现

• 基于灰度图的 YOLOv3 方法在遥感场景中实现了比标准 YOLOv3 更高的检测精度。
• 灰度图预处理有效降低了大气光散射（尤其是瑞利散射）对图像清晰度的影响。
• 由于光谱噪声减少，该模型在不同大气条件下检测地面目标时表现出更强的鲁棒性。
• 使用灰度图增强了模型对目标检测中关键结构与纹理特征的关注能力。
• 结果证实，灰度图转换能促进遥感应用中更有效的特征学习。
• 所提出方法在存在大气干扰的卫星图像目标检测任务中，优于传统 YOLOv3。