Mapa de Probabilidade do Centro de Aprendizado para Detecção de Objetos em Imagens Aéreas

Um problema fundamental na Visão da Terra é encontrar com precisão as localizações e identificar as categorias dos objetos interessantes nas imagens aéreas, para os quais caixas limitadoras orientadas (OBBs) são geralmente empregadas para representar melhor os objetos que emergem com orientações arbitrárias. No entanto, a regressão das OBBs sempre sofre do problema ambíguo na definição dos alvos de regressão, o que frequentemente reduz a eficiência de convergência e diminui a precisão da detecção. Embora existam alguns métodos, como o mapa de segmentação binária, que podem lidar com esse problema, traz um novo problema de pixels de fundo ambíguos nas OBBs. Neste artigo, propomos formular a regressão das OBBs como um problema de previsão de mapa de probabilidade central (CenterMap), eliminando assim em grande parte as ambiguidades nas definições dos alvos e nos pixels de fundo. Os CenterMaps previstos são então usados para gerar as OBBs. A representação OBB do CenterMap é simples, mas eficaz. Além disso, para distinguir melhor os objetos interessantes do fundo desordenado, uma rede de atenção guiada por pseudosegmentação ponderada é adotada para fornecer as características em nível de objeto para prever as caixas limitadoras horizontais e as OBBs. Os resultados experimentais em três conjuntos de dados amplamente utilizados, ou seja, DOTA, HRSC2016 e UCAS-AOD, demonstram a eficácia do nosso método proposto.