Core Concepts
本研究では、低レベル特徴マップから位置情報とセリエンシー情報を抽出し、それを高レベル特徴マップに注入することで、オブジェクトの位置情報を強化し、コンテキスト情報の相互作用を促進する新しい位置情報強化特徴ピラミッドネットワーク(LR-FPN)を提案する。
Abstract
本論文は、リモートセンシングオブジェクト検出における位置情報の重要性に着目し、新しい位置情報強化特徴ピラミッドネットワーク(LR-FPN)を提案している。
LR-FPNは以下の2つの主要モジュールから構成される:
浅層位置情報抽出モジュール(SPIEM): 低レベル特徴マップから位置情報とセリエンシー情報を同時に抽出し、オブジェクトの正確な位置情報を保持する。
コンテキスト相互作用モジュール(CIM): SPIEMで抽出した位置情報を、空間的および チャンネル的に特徴ピラミッドの各層に注入し、オブジェクト領域の表現を強化する。CIMではさらに、局所的および非局所的な相互作用を学習することで、セリエンシー情報の保持も促進する。
LR-FPNは一般的なオブジェクト検出フレームワークに統合できる汎用的なアーキテクチャである。2つの大規模リモートセンシングデータセット(DOTAV1.0とHRSC2016)での実験結果から、LR-FPNが最先端のオブジェクト検出手法を大幅に上回る性能を示すことが確認された。
Stats
リモートセンシングデータセットでは、一般的なデータセットと比べて、対象物体のサイズが相対的に小さい。
リモートセンシングデータセットでは、対象物体が密集して配置されている場合が多い。