Mapa de Probabilidad del Centro de Aprendizaje para la Detección de Objetos en Imágenes Aéreas

Un problema fundamental en la Visión de la Tierra es encontrar con precisión las ubicaciones e identificar las categorías de los objetos interesantes en las imágenes aéreas, para lo cual se emplean cajas delimitadoras orientadas (OBBs) para representar mejor los objetos que emergen con orientaciones arbitrarias. Sin embargo, la regresión de las OBBs siempre sufre del problema ambiguo en la definición de los objetivos de regresión, lo que a menudo reduce la eficiencia de convergencia y disminuye la precisión de detección. Aunque existen algunos métodos como el mapa de segmentación binaria que pueden manejar este problema, trae un nuevo problema de píxeles de fondo ambiguos en las OBBs. En este artículo, proponemos formular la regresión de las OBB como un problema de predicción de mapa de probabilidad del centro (CenterMap), eliminando así en gran medida las ambigüedades en las definiciones de los objetivos y los píxeles de fondo. Los CenterMaps predichos se utilizan luego para generar las OBBs. La representación de OBB en CenterMap es simple, pero efectiva. Además, para distinguir mejor los objetos interesantes del fondo desordenado, se adopta una red de atención guiada por pseudosegmentación ponderada para proporcionar las características a nivel de objeto para predecir las cajas delimitadoras horizontales y las OBBs. Los resultados experimentales en tres conjuntos de datos ampliamente utilizados, a saber, DOTA, HRSC2016 y UCAS-AOD, demuestran la efectividad de nuestro método propuesto.