西北工業大学は、最新のレビュー論文リモートセンシングターゲットをリリース
リンク： https://cloud.tencent.com/developer/article/1500984
REVIEW視標検出近年の焦点の一つとして、（物体検出）は、広範な懸念、毎年されている3回の会合（ICCV、CVPR、ECCV）上のコンピュータビジョンに掲載された関連する記事の数が多いです。オブジェクト検出は、リモートセンシング画像ますます注目が、学習の深さに基づいて、リモートセンシング画像データセットとターゲット検出方法の現在レビューはまだ完璧ではありません。最近、教授解放ノースウェスタン大学功チェン（チェン功）、「：光学リモートセンシングロイヤリティーフリーA調査・A新ベンチマークで物体検出をこのレビューでは、」学習の深さに基づいて、近年、コンピュータビジョンの分野とリモートセンシング観測をまとめたもの進捗ターゲット検出の研究。その後、また、一般に入手可能な光学リモートセンシング対象ベンチマークは（用語オープン近く）DIORという名前を付け、大規模を提案しました。データセットは、20のターゲット・オブジェクト・クラスをカバー23463枚の画像と190の288回の実施例を含んでディオール最も高度な方法で複数のデータセットを評価し、それが将来の研究のための基礎を築きました。
DIORリンク：
http://www.escience.cn/people/gongcheng/DIOR.html
题目：光学リモートセンシング画像における物体検出：調査と新しいベンチマーク
著者：柯リー、ウォン・ギャング、ゴングチェン、立秋孟、漢Junwei
要約は最近、研究者はすでに前方光学リモートセンシング画像のための様々なターゲット検出方法を置くために相当な努力をしてきました。しかし、学習の深さのレビューに基づいて、光学リモートセンシング画像データセットおよび標的検出方法、完璧な存在ではありません。加えて、ほとんどの既存のデータセットは、より少ない画像とターゲットカテゴリ、及び画像変化不十分多様性のようないくつかの欠点があります。これらの制限は大幅に学習の深さに基づいて、目標検出方法の開発に影響を与えました。本論文では、コンピュータビジョンと地球観測ベースの学習の被写界深度での目標検出最近の進歩をレビュー。その後、我々は公に利用可能な光学リモートセンシング対象のベンチマークは、我々はDIORという名前を付け、大規模を作りました。データセットは、対象クラスとして20を覆って、23463と190288イメージインスタンスを含みます。ターゲットカテゴリの提案ディオールデータセット1）、インスタンスのターゲット数と画像の総数が巨大である; 2）空間分解能の点で、ゴールを横切るクラス間だけでなく、大規模な変更の対象範囲を有しますクラススケール内態様及びバリエーション; 3）により、異なる撮像結果の撮影条件、天候、季節、画質に大きな差に; 4）より高いクラスの間の内部と多様類似性を有します。私たちは、ベンチマークは、研究者が開発を支援し、そのデータ駆動型のアプローチを検証することができ提案します。最後に、我々は、DIOR最も先進的な方法で複数のデータセットを評価した今後の研究のための基礎を築きました。
参考リンク：
https://arxiv.org/abs/1909.00133
http://www.escience.cn/people/gongcheng/index.html
あなたは、最新の論文をダウンロードするためのリンクを得ることができる「リモートセンシング画像検出の概要2019年」公共の専門知識号楽屋返信に注意してください〜
入門
リモートセンシング技術の急速な発展は著しく、リモートセンシング画像の量と質を向上させたようなように空港、飛行機、建物やとして地球の表面の様々なオブジェクトを記述するために使用することができます。これは、インテリジェントな自動解析し、衛星や航空画像の理解強い需要を作って地球観測のための自然です。ターゲット検出は、更新がアプリケーションの広い範囲を持って読影、インテリジェントモニタリング、都市計画、精密農業、地理情報システム（GIS）で重要な役割を果たしています。この要件の勢いの下で、対象の様々な検出方法を開発し、近年では、研究者は、光学リモートセンシング画像に多くの作業を行っています。
しかし、自然画像における顕著な成功にもかかわらず、しかし、ターゲット検出方法学習の深さは、光学リモートセンシング画像に直接適用して提示することは困難です。私たちが知っているように、高品質かつ大規模なデータセットは、学習の深さに基づいて検出方法を対象と訓練のために非常に重要です。ただし、リモートセンシング画像と自然シーン画像間の差は有意です。図1は、リモートセンシング撮像屋根一般地理空間情報オブジェクト、及び自然のシーン画像をキャプチャは、典型的には、オブジェクトの輪郭情報です。そのため、ターゲット検出器に自然シーン画像から学ぶことは簡単にリモートセンシング画像に適用されていない驚くべきことではありません。NWPU VHR-10（Chengら。、2016a）、UCAS-AOD（Zhuら。、2015a）、COWC（Mundhenkら、2016）、DOTA（夏ら、2018）、地球の他の観察視野ものの提案されているが、それでも遠く深い学習アルゴリズムの要件を満たすからされています。
現在まで、（Chengおよびハン、2016; Chengら、2016a ;.ダスら、2011 ;. Hanら、2015 ;. Liら、2018 ;. Razakarivony andJurie 2015; Tangら、2017b; 夏ら、2018 ;.横谷と岩崎、2015; Zhangら、2016 ;. Zhuら、2017） を研究した撮像対象の検出に働きます。しかし、学習の文献レビューとターゲットの検出深さに基づいてデータセット上に存在では十分ではありません。加えて、既存の公的に利用可能なデータセットは、ほとんどそのようなイメージとターゲットカテゴリの少数のようないくつかの欠点を有し、画像の多様性及び変動性は十分ではありません。これらの制限は大幅に学習の深さに基づいて、目標検出方法の開発を妨げました。
図1。提示（A）PASCAL VOCデータセット、（b）は、いくつかの例は、ディオール選択された濃度データから画像と自然シーンイメージセンシングの区別を示します。
为了解决上述问题，本文试图对基于深度学习的目标检测方法的研究进展进行全面的综述。然后，提出了一个大规模、公开可用的光学遥感图像目标检测基准，将其命名为DIOR。提出的数据集由20个目标类别覆盖的23463幅图像组成，每个类别包含约1200幅图像。在与其他现有目标检测数据集进行比较时，突出了DIOR数据集的四个关键特征。首先，总图像、目标类别和目标实例的数量都很大。其次，这些目标的尺寸变化范围很大，不仅在空间分辨率方面如此，而且在跨物体的类别间和类别内尺寸变化方面也是如此。第三，的数据集有很大的变化性，因为这些图像是在不同的成像条件、天气、季节和图像质量下获得的。第四，它具有较高的类间相似性和类内多样性。图2显示了提出的DIOR数据集中的一些示例图像及其标注。
图2。示例图像取自所提出的DIOR数据集，这些图像是在不同的成像条件、天气、季节和图像质量下获得的。
本文作者总结其主要贡献如下:
- 基于深度学习的目标检测进展的综合调查。本文综述了计算机视觉和地球观测领域中已有的数据集和具有代表性的基于深度学习的目标检测方法的研究进展。
- 创建大型基准数据集。本文提出了一种大规模、公开可用的光学遥感图像目标检测数据集。据我们所知，所提议的DIOR数据集在目标类别数量和图像总数上都是规模最大的。该数据集使研究人员能够验证和开发数据驱动的目标检测方法。
- 进行DIOR数据集的性能基准测试。在DIOR数据集上对几种具有代表性的基于深度学习的目标检测方法进行了基准测试，以便为未来的研究工作提供对当前最先进技术状态的概述。
图5 提出的DIOR数据集的特征。
表1 DIOR数据集与地球观测领域的9个公开的目标检测数据集的比较。
表2 每个目标类和每个子集的图像数量。
表3 在提出的DIOR测试集上检测12种代表性方法的平均检测精度(%)。每个目标类别的最佳AP都是bold‐faced的。
结论
本文首先强调了最近在目标检测方面的进展，包括在计算机视觉和地球观测领域的基准数据集和先进的基于深度学习的方法。在此基础上，提出了一个大规模、公开可用的目标检测基准数据集。这个新的数据集可以帮助地球观测领域进一步探索和验证基于深度学习的方法。最后，利用所提出的数据集对几种具有代表性的目标检测方法的性能进行了评估，实验结果可作为今后研究的一个有用的性能基准。