【笔记】Lianru Gao的几篇论文

---

前言

主要是Lianru Gao大佬他们实验室的三篇跟遥感图像检测相关的论文。

---

一、MSF_SSD：

1.1 摘要

这篇文章提出的模型，应该是之前有不少人做过类似的，主要工作就是在SSD上添加了反卷积（DeConv）和连接操作（Concat），其实就是类似RetinaNet的模型。他在自己收集和标注的数据集上进行了测试和训练，用于田径赛场的检测（其实DOTA有这一类），水平框mAP为94.3%。

（这一片参考意义不大，就简单点写了）

1.2 模型结构：

1.2.1 采样和标注：

数据由GF-2（高分二号人造卫星）采集，标注实例包括标准操场、土操场等，空间分辨率为1m，每张图像裁剪到768*768大小，共包括10,000张训练集、2,000张验证集和44,000张测试集（其中4,000张包含操场）。

同时作者把BGR图像跟高光谱图像相连作为输入。

1.2.2 目标检测模型：

主干网络使用了VGG16，检测器使用SSD+FPN。

二、Ship Detection：

1.1 摘要

这篇文章主要是使用了Faster-RCNN+FPN的结构用于船只检测，并且引入负样本（就是不含船只的陆地图像）参与训练，以减小误检率并且无需使用海陆分割算法进行预处理。实验结果表明这大大减小了船只的误检率。

1.2 负样本训练：

作者首先将图像分割为统一的$T\times T$大小，然后从这些图像中选出$N$个包含船只图像的样本组成正样本集 U = { U i } i = 1 N U=\lbrace U_i\rbrace_{i=1}^N U={ Ui​}i=1N​，$M$个不包含船只图像的样本作为负样本集 V = { V i } i = 1 M V=\lbrace V_i\rbrace_{i=1}^M V={ Vi​}i=1M​。

---

参考文献

1. Chen Z, Lu K, Gao L, et al. Automatic Detection of Track and Fields in China from High-Resolution Satellite Images Using Multi-Scale-Fused Single Shot MultiBox Detector[J]. Remote Sensing, 2019, 11(11): 1377.

2. Gao L, He Y, Sun X, et al. Incorporating negative sample training for ship detection based on deep learning[J]. Sensors, 2019, 19(3): 684.

3. Gao L, He Y, Sun X, et al. Incorporating negative sample training for ship detection based on deep learning[J]. Sensors, 2019, 19(3): 684.