LR-CNN：用于航空影像中车辆检测的位置感知区域CNN
本文提出一种用于航空图像中车辆检测的新型两阶段方法，以任意方向检测车辆，性能优于DFL等网络，作者团队：汉诺威大学&达姆施塔特工业大学&中科院等
诸如Faster R-CNN，SSD或YOLO之类的最新目标检测方法很难检测到在大型航空图像中具有任意方向的密集小目标。主要原因是使用插值来对齐RoI特征会导致精度不足甚至位置信息丢失。我们提出了局部感知区域卷积神经网络（LR-CNN），这是一种用于航空图像中车辆检测的新型两阶段方法。我们通过整合高精度RoIs功能来增强平移不变性以检测密集车辆并解决密集车辆之间的边界量化问题。此外，我们对高级语义池特征进行了重新采样，使它们从较浅的卷积块的特征中重新获得位置信息。这增强了重采样特征的局部特征不变性，并能够以任意方向检测车辆。局部特征不变性增强了焦点损失函数的学习能力，并且focal loss进一步有助于将重点放在hard examples上。综上所述，我们的方法可以更好地解决航空影像的挑战。我们在几个具有挑战性的数据集（VEDAI，DOTA）上评估了我们的方法，证明了对最先进方法的重大改进。我们证明了我们的方法在DLR 3K数据集上的良好泛化能力。
《LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery》
论文下载链接：[2005.14264] LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery
关键词：