매우 고해상도 원격 감지 객체 탐지를 위한 계층적이고 강력한 컨볼루션 신경망

객체 탐지는 원격 감지 이미지(RSI)에서 객체를 자동으로 라벨링하는 기본 문제입니다. 현재 딥 러닝은 특히 컨볼루션 신경망(CNN)을 기반으로 한 원격 감지 객체 탐지에서 점차적인 경쟁 우위를 확보하고 있습니다. 기존의 대부분 방법은 완전 연결 특징 벡터의 전역 정보를 사용하고 컨볼루션 특징 큐브의 지역 정보를 무시하고 있습니다. 그러나 지역 정보는 정확한 위치 지정을 위해 유용한 공간 정보를 제공할 수 있습니다. 또한 회전 및 스케일링과 같은 변수 요인이 RSI에서 객체 탐지 정확도에 영향을 미칩니다. 이러한 문제를 해결하기 위해 이 논문에서는 계층적 강력 CNN을 제시합니다. 첫째, 다중 스케일 컨볼루션 특징을 추출하여 계층적 공간 의미 정보를 나타냅니다. 둘째, 여러 개의 완전 연결 층 특징을 함께 쌓아 회전 및 스케일링 강인성을 높입니다. 두 개의 데이터 세트에 대한 실험 결과 우리가 제시한 방법의 효과성을 보여주었습니다. 또한 기존 데이터 세트가 부족하거나 너무 작은 현재 상황을 보완하기 위해 대규모 고해상도 원격 감지 객체 탐지 데이터 세트를 구축했습니다. 데이터 세트는 https://github.com/CrazyStoneonRoad/TGRS-HRRSD-Dataset 에서 사용할 수 있습니다.