【遥感图像检测】LR-CNN：用于航空影像中车辆检测的位置感知区域CNN-20200601

本文提出了一种新型两阶段方法——局部感知区域卷积神经网络（LR-CNN），用于航空图像中车辆检测任务。针对传统目标检测方法（如Faster R-CNN、SSD和YOLO）在处理密集小目标时精度不足的问题，作者团队提出通过增强平移不变性和重新采样特征来解决密集车辆边界量化和位置信息丢失的问题。具体而言，他们整合了高精度RoIs功能以增强平移不变性，并对高级语义池特征进行重采样以保留位置信息。这种方法不仅提升了模型对任意方向车辆的检测能力，还增强了焦点损失函数的学习效果，并进一步优化了重采样特征的局部特征不变性。实验结果表明，在多个具有挑战性的数据集（VEDAI、DOTA）上，该方法显著优于现有的先进方法，并展现出良好的泛化能力。

LR-CNN：用于航空影像中车辆检测的位置感知区域CNN

本文创新性地构建了一种适用于航空图像中车辆检测的新型双阶段方法，在任意方向实现目标检测的同时展现出超越现有DFL类网络的技术性能。研究团队由汉诺威大学、达姆施塔特工业大学以及中科院等顶尖学府组成

基于深度学习的目标检测领域而言，在处理航空图像时尤其面临严峻挑战。现有的主流方法如Faster R-CNN、SSD或YOLO等均难以有效识别这些复杂场景中的密集小目标特别是那些具有任意方向的小物体。其根本原因在于传统方法通过插值对齐RoI特征可能导致精度下降甚至导致关键位置信息丢失为此我们提出了一种创新性解决方案即局部感知区域卷积神经网络（LR-CNN）这种新型两阶段目标检测方法特别适用于航空图像中的车辆检测任务。我们的研究重点在于增强平移不变性以实现对密集车辆的精准探测同时解决车辆边界量化过程中的重叠问题为此我们设计了一种基于高精度RoIs功能的新架构体系框架通过重新采样高级语义池特征使其能够继承较浅层卷积块中的位置信息从而提升了重采样后特征的空间定位能力这一特性不仅增强了模型在复杂场景下的表现还显著提升了焦点损失函数的学习效果最终使得焦点损失能够更加聚焦于那些具有挑战性的样本即所谓的hard examples通过一系列实验验证我们发现该方法在多个具有代表性的数据集（VEDAI DOTAI）上均展现了超越现有先进算法的优势特别是在DLR 3K数据集上的性能表现尤为突出这充分证明了我们提出的方法在实际应用中具有重要的实用价值

《LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery》

学术资源获取路径：[2005.14264] LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery

关键词：#论文速递 #航空目标检测 #目标检测 #遥感目标检测