MariSat: A Maritime Dataset for Instance Segmentation of Objects in Satellite and Aerial Images
University of Carthage(迦太基大学);University of Gabes(加贝斯大学);University of Rouen Normandie(鲁昂诺曼底大学);ESIGELEC(法国高等电气与电子工程学院)
该研究提出新的海事基准数据集MariSat,经半自动化标注流程生成,用于卫星与航拍图像中8类海事物体的实例分割,已被用于微调及基准测试SAM 3、YOLO11模型以实现实时海事监视。
2026-09-01 cs.CV
Automatic Detection of Dark Ship-to-Ship Transfers using Deep Learning and Satellite Imagery
University College London(伦敦大学学院)
针对卫星影像中非法船对船转运检测的研究空白,训练卷积神经网络识别多类货船与转运行为,结合船载GPS数据构建检测流程,在刻赤海峡识别出2022年以来超400起暗地转运事件。
2024-04-11 cs.CV
LiM-YOLO: Less is More with Pyramid Level Shift for Ship Detection in Optical Remote Sensing
University of Science and Technology (UST)(科学技术大学);Korea Aerospace Research Institute (KARI)(韩国航空航天研究院)
针对光学遥感舰船检测中目标尺度小、长宽比高导致深层特征金字塔空间特征稀释的问题,提出LiM-YOLO检测器,通过金字塔层级偏移策略将检测头从步长8、16、32移至4、8、16,并引入组归一化辅助投影模块,在减少64.1%参数量的情况下超越更大规模的SOTA检测器。
2026-07-03 cs.CV eess.IV
Analysis of Object Detection Models for Tiny Object in Satellite Imagery: A Dataset-Centric Approach
Grahaa Space(Grahaa空间公司)
本文提出一个含3000张卫星图像的数据集,评估最先进模型在小目标检测中的表现,并采用Byte Track算法处理卫星视频跟踪,为卫星图像分析提供见解。
2024-12-12 cs.CV
FGSD: A Dataset for Fine-Grained Ship Detection in High Resolution Satellite Images
Intelligent System Lab, Beijing University of Posts
利用高分辨率遥感图像进行船舶检测是海洋水面整治的重要任务。复杂的背景和特殊的视角使得船舶检测在一定程度上依赖于高质量的数据集。然而,在现有的船舶检测数据集上,对船舶进行精确分类和精确定位的工作很少。为了进一步推动船舶检测的研究,本文提出了一种新的细粒度船舶检测数据集FGSD。该数据集收集了来自世界各地多个大型港口的高分辨率遥感图像,其中包含船舶样本。船舶样本进行了精细的分类和注释水平和旋转的边界框。为了进一步细化数据集的信息,提出了一种新的船舶姿态表示方法。对于未来的研究,码头作为一个新的类在数据集中进行了注释。此外,FGSD还提供了丰富的图像信息,包括每幅图像的源端口、分辨率和对应的GoogleEarth分辨率级别。据我们所知,FGSD是目前最全面的船舶检测数据集,它将很快推出。本文还提供了FGSD的一些基线。
2020-03-15 cs.CV
Robust Anomaly-Based Ship Proposals Detection from Pan-sharpened High-Resolution Satellite Image
现在,顶级船舶检测器采用船舶提案的预先筛选,以避免在图像中进行穷举搜索。在甚高分辨率(VHR)光学图像中,舰船在开阔海杂波(类噪声背景)中表现为一簇异常亮像元。基于全色(PAN)数据的异常检测器已被广泛应用于许多研究中以检测船舶,然而,仍然面临两个主要缺点:1)检测率往往较低,特别是当船舶是低对比度时; 2)这些模型需要高度手动配置来选择阈值以最佳地将船舶从海面背景中分离。本文旨在进一步研究基于异常的模型来解决这些问题。首先,泛锐化多光谱(MS)数据与PAN结合在一起,以提高船舶的歧视。其次,我们提出了一种改进的基于异常的模型结合全局强度异常和局部纹理异常地图。针对海杂波和全色锐化过程中产生的噪声,引入了基于量化理论的纹理异常抑制项。VNREDSat-1 VHR光学卫星图像的实验结果表明,泛锐化近红外(P-NIR)波段可以提高船舶从周围水域的歧视。与现有的基于异常的检测器相比,我们提出的基于PAN和P-NIR数据组合的基于异常的模型不仅可以实现最高的船舶检测召回率(在高对比度和低对比度数据集上分别为91.14%和45.9%),而且对不同的自动阈值选择技术具有鲁棒性。
2018-04-25 cs.CV
Adaptive federated learning for ship detection across diverse satellite imagery sources
Luxembourg Institute of Science and Technology (LIST)(卢森堡科学技术研究所(LIST));Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA)(计算机科学与随机系统研究所(IRISA));Université Bretagne Sud (UBS)(南布列塔尼大学(UBS))
本文提出利用适应性联邦学习在跨多样卫星图像源中提升船舶检测精度,通过比较不同FL模型与本地训练基线,验证了FL在隐私保护和效率方面的优势。
2025-12-12 cs.CV
Soft Labels for Rapid Satellite Object Detection
PeopleTec, Inc(PeopleTec公司)
图像分类中的软标签是图像真实分类的矢量表示。在本文中,我们研究软标签的背景下,卫星目标检测。我们建议使用检测作为新的软标签数据集的基础。创建高质量模型的大部分工作是收集和注释训练数据。如果我们可以使用模型为我们生成数据集,我们不仅可以快速创建数据集,还可以补充现有的开源数据集。使用xView数据集的一个子集,我们训练YOLOv5模型来检测汽车、飞机和船只。然后,我们使用该模型为第二个训练集生成软标签,然后对第二个训练集进行训练并与原始模型进行比较。我们表明,软标签可以用来训练一个模型,几乎是准确的模型训练的原始数据。
2023-01-27 cs.CV cs.LG
Semantic segmentation on multi-resolution optical and microwave data using deep learning
本研究使用改进型U-Net和VGG-UNet等深度学习模型,对多分辨率光学和微波卫星数据进行多类别语义分割,在六大任务中实现了85%至98%的IoU准确率。
2024-11-12 cs.CV eess.IV
Enhancing Maritime Domain Awareness on Inland Waterways: A YOLO-Based Fusion of Satellite and AIS for Vessel Characterization
University of Arkansas(阿肯色大学);Center for Advanced Spatial Technologies(高级空间技术中心)
本文提出一种融合高分辨率卫星图像与AIS数据的框架,利用YOLOv11模型检测并特征化内河航道船舶,有效识别暗船并验证协作交通,在多项指标上取得高准确率。
2025-10-13 cs.CV
Cross-modal Ship Re-Identification via Optical and SAR Imagery: A Novel Dataset and Method
Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences(中国科学院空间利用技术与工程中心);University of Chinese Academy of Sciences(中国科学院大学)
本文提出HOSS ReID数据集和基于Vision Transformer的TransOSS方法,利用低轨光学与SAR星座实现全天候跨模态船舶重识别。
2025-07-16 cs.CV
Shape-Aware Oriented Bounding Box (OBB) to Horizontal Bounding Box (HBB) Conversion
针对遥感图像船舶检测中现有OBB转HBB方法的缺陷,提出形状感知转换方法,利用船体形状等信息生成更紧凑的轴对齐HBB,与三种基线方法对比验证性能。
2026-08-07 cs.CV cs.RO
Enhancing Ship Classification in Optical Satellite Imagery: Integrating Convolutional Block Attention Module with ResNet for Improved Performance
Sungkyunkwan University School of Medicine(成均馆大学医学院);The Coala Inc.(考拉公司);Korea Science Academy of Korea Advanced Institute of Science and Technology(韩国科学技术院韩国科学学院);Seoul National University School of Earth and Environmental Sciences(首尔国立大学地球与环境科学学院)
本研究通过集成CBAM及多尺度、深度可分离和空洞卷积等创新,改进ResNet50模型,在光学卫星图像船舶分类中达到95%准确率,显著提升各类船舶识别性能。
2024-08-21 cs.CV eess.IV
Supervised segmentation of NO2 plumes from individual ships using TROPOMI satellite data
Leiden University(莱顿大学);Human Environment and Transport Inspectorate (ILT)(人居与交通监察局);Stanford University(斯坦福大学);TNO(荷兰应用科学研究组织)
针对全球船舶NO2排放监测成本高且难以连续进行的问题,提出基于TROPOMI/S5P数据与监督机器学习的NO2烟羽自动分割方法,将平均精度提升20%以上,为全球遥感监测奠定关键基础。
2023-04-07 cs.CV cs.LG
SMART-Ship: A Comprehensive Synchronized Multi-modal Aligned Remote Sensing Targets Dataset and Benchmark for Berthed Ships Analysis
Department of Electronic Engineering, Tsinghua University(清华大学电子工程系);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
本文提出SMART-Ship数据集,包含多模遥感图像,用于靠泊船舶分析,通过精细标注支持多模遥感任务,并评估了代表性方法。
2026-04-21 cs.CV
Globally-scalable Automated Target Recognition (GATR)
Lockheed Martin Space(洛克希德·马丁空间系统公司)
GATR(全球可扩展的自动目标识别)是洛克希德·马丁公司的一个软件系统,用于在全球范围内对卫星图像进行实时目标检测和分类。GATR使用GPU加速的深度学习软件来快速搜索大的地理区域。在一个GPU上,它以超过16平方公里/秒(或超过10百万像素/秒)的速度处理图像,并且只需要两个小时就可以搜索整个宾夕法尼亚州的天然气压裂井。搜索时间与地理区域呈线性关系,处理速率与GPU数量呈线性关系。GATR拥有模块化的云架构,使用Maxar GBDX平台,并提供ATR分析即服务。应用包括广域搜索、港口和机场监视箱以及场地特征描述。ATR由包括RetinaNet和Faster R-CNN在内的深度学习模型执行。结果显示,飞机和水力压裂井的检测,即使在以前从未见过的地理区域,召回率也超过90%。GATR可扩展到新的目标,如汽车和船舶,它也处理雷达和红外图像。
2020-09-10 cs.CV
A Survey on Object Detection in Optical Remote Sensing Images
Northwestern Polytechnical University(西北工业大学)
光学遥感图像中的目标检测目标检测是航空和卫星图像分析领域中的一个基本而又具有挑战性的问题,具有重要的应用价值,近年来受到了广泛的关注。虽然存在大量的方法,但仍然缺乏对关于通用目标检测的文献的深入回顾。本文就这一领域的最新进展作一综述。与以前发表的几个调查,专注于一个特定的对象类,如建筑物和道路不同,我们专注于更通用的对象类别,包括但不限于,道路,建筑物,树木,车辆,船舶,机场,城市地区。覆盖约270个出版物,我们调查了1)基于模板匹配的目标检测方法,2)基于知识的目标检测方法,3)基于对象图像分析(OBIA)的基于目标检测方法,4)基于机器学习的目标检测方法,以及5)五个公开可用的数据集和三个标准评估度量。我们还讨论了当前研究面临的挑战,并提出了两个有前途的研究方向,即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。希望通过本次调查,有助于研究者对这一研究领域有更好的了解。
2016-03-23 cs.CV
The Weaknesses of Adversarial Camouflage in Overhead Imagery
IQT Labs(IQT实验室)
机器学习对于分析不断增长的头顶图像语料库越来越重要。先进的计算机视觉目标检测技术在从卫星和无人机图像中识别船舶、汽车和飞机等感兴趣的目标方面取得了巨大成功。然而,依赖于计算机视觉会暴露出重大的漏洞,即目标检测算法对对抗攻击的敏感性。在本文中,我们探讨了对抗性伪装的有效性和缺点,在一个开销的图像背景下。虽然最近的一些论文已经证明了使用对抗补丁可靠地欺骗深度学习分类器和对象检测器的能力,但大多数工作都是在相对统一的数据集上进行的,并且只有一类对象。在这项工作中,我们利用VisDrone数据集,它具有广泛的视角和对象大小。我们探索四种不同的对象类:公共汽车,汽车,卡车,货车。我们构建了一个包含24个对抗性补丁的库来伪装这些对象,并为我们的补丁引入了一个补丁透明度变量。贴片的透明度(或α值)与其功效高度相关。此外,我们还表明,虽然对抗性补丁可能会欺骗对象检测器,但这种补丁的存在往往很容易被发现,补丁平均比补丁要隐藏的对象高出24%。这就提出了这样的补丁是否真正构成伪装的问题。源代码可在https://github.com/IQTLabs/camolo上获得。
2022-07-06 cs.CV
Deep Learning for Recognizing Mobile Targets in Satellite Imagery
Lockheed Martin Space(洛克希德·马丁空间系统公司)
对自动检测和分类卫星图像中的飞机、汽车和船舶等移动目标的软件的需求越来越大。这种自动目标识别(ATR)软件的应用包括经济预测、交通规划、海事执法和灾难响应。本文介绍了扩展的卷积神经网络(CNN)的分类滑动窗口检测算法。它在xView数据集的移动目标上进行了评估,其检测和分类精度高于95%。
2020-10-13 cs.CV
MTU-Net: Multi-level TransUNet for Space-based Infrared Tiny Ship Detection
National University of Defense Technology(国防科技大学);Sun Yat-sen University(中山大学)
天基红外微小目标检测的目的是从卫星图像中分离出微小目标。由于极大的图像覆盖区域(例如,数千平方公里),这些图像中的候选目标比空基和陆基成像设备观察到的目标小得多,二聚体,变化更大。现有的基于短成像距离的红外数据集和目标检测方法不能很好地适用于天基监视任务。为了解决这些问题,我们开发了一个天基红外微小船舶检测数据集(即NUDT-SILLEN-Sea),其中包含48幅天基红外图像和17598个像素级微小船舶注释。每幅图像覆盖约10000平方公里的区域,像素为10000 X10000。考虑到极端特征(例如,小、昏暗、多变)的复杂场景中,提出了一种多层次的TransUNet(MTU-Net)。具体来说,我们设计了一个视觉Transformer(ViT)卷积神经网络(CNN)混合编码器来提取多层次特征。局部特征图首先由几个卷积层提取,然后送入多级特征提取模块(MVTM)以捕获长距离依赖性。我们进一步提出了一种复制-旋转-调整大小-粘贴(CRRP)数据增强方法来加速训练阶段,有效地解决了目标和背景之间样本不平衡的问题。此外,我们设计了一个FocalIoU损失,以实现目标定位和形状描述。在NUDT-SILLING-Sea数据集上的实验结果表明,我们的MTU-Net在检测概率、虚警率和交集方面优于传统和现有的基于深度学习的SILLING方法。
2022-09-28 cs.CV
Noise Filtering Benchmark for Neuromorphic Satellites Observations
Western Sydney University(西悉尼大学)
针对神经形态卫星观测中信号极度稀疏导致现有噪声过滤算法失效的问题,提出新型事件驱动噪声过滤算法,构建基准对比11种先进方法,并发布高分辨率卫星数据集。
2024-11-18 cs.CV cs.LG
Advancements in Ship Detection: Comparative Analysis of Optical and Hyperspectral Sensors
American University of Sharjah(沙迦美国大学);University of Dubai(迪拜大学);Mohammed Bin Rashid Space Centre(穆罕默德·本·拉希德航天中心)
本文对比分析了光学与高光谱传感器在船舶检测与分类中的技术特点、适用性及优劣,强调根据任务需求选择合适传感器以提升检测精度。
2024-10-11 cs.CV eess.IV
Ship Detection: Parameter Server Variant
University of Victoria(维多利亚大学)
卫星光学图像中的深度学习船舶检测受到云、陆地和人造物体的误报影响,这些物体会干扰船舶的正确分类,通常将分类准确度限制在88%。这项工作探讨了定制策略,类准确率,培训时间和基于云的解决方案的成本之间的紧张关系。我们演示了自定义U-Net如何在90%的置信度下,在验证数据集上实现92%的类准确度,在目标数据集上实现68%的类准确度。我们还比较了一个单节点架构与参数服务器的变种,其工人作为一个助推机制。与最佳单节点方法相比,参数服务器变体在目标数据集上的类准确性优于类准确性,达到73%的类准确性。单节点和参数服务器的变体架构的系统性能的比较研究进行了讨论,从实证研究结果的支持。
2020-12-02 cs.CV cs.DC cs.LG
Lightweight CNNs for Embedded SAR Ship Target Detection and Classification
针对SAR数据近实时监测受限于下行链路和地面处理的带宽与延迟问题,提出轻量级CNN模型,直接对Sentinel-1未聚焦SAR数据进行实时推理,验证了星上FPGA部署的可行性及目标分类能力。
2025-08-14 cs.CV cs.LG
Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection
State University of Campinas(坎皮纳斯州立大学);Pontifical Catholic University of Minas Gerais(米纳斯吉拉斯天主教大学);University of Rennes(雷恩大学);Inria(法国国家信息与自动化研究所)
本研究基于图像标记特征学习(FLIM)方法并扩展加入单层自适应解码器,无需反向传播即可用极少图像构建轻量级CNN,其权重比SOTA检测器小数千倍,适合CPU运行且检测性能优异。
2023-10-05 cs.CV eess.IV
Implementing and Benchmarking the Locally Competitive Algorithm on the Loihi 2 Neuromorphic Processor
Pacific Northwest National Laboratory(太平洋西北国家实验室);Intel Labs(英特尔实验室);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
近年来,神经形态处理器因其在节能和高速计算方面的潜力而引起了人们的极大兴趣。局部竞争算法(LCA)已被用于神经形态处理器,包括第一Loihi处理器的功率有效的稀疏编码。随着Loihi 2处理器支持自定义神经元模型和分级尖峰通信,更复杂的LCA实现成为可能。我们提出了一个新的实现的LCA设计的Loihi 2处理器,并执行一组初始的基准比较它的LCA的CPU和GPU设备。在这些实验中,Loihi 2上的LCA对于大的稀疏性惩罚是更有效和更快的数量级,同时保持类似的重建质量。我们发现,这种性能的改善增加的LCA参数调整到更大的代表稀疏。我们的研究强调了神经形态处理器的潜力,特别是Loihi 2,在小型机器人上实现智能,自主,实时处理,卫星有严格的SWaP(小,轻,低功耗)要求。通过展示Loihi 2上LCA与传统计算设备相比的卓越性能,我们的研究表明Loihi 2可能是推进这些类型应用的有价值的工具。总的来说,我们的研究强调了神经形态处理器在资源受限设备上进行高效准确数据处理的潜力。
2023-07-25 cs.AR cs.CV
SkySeaLand: A Wide-Format Satellite Transportation Benchmark with an Ultra-Lightweight Detection Baseline
针对卫星目标检测的小目标与宽幅场景挑战,研究构建SkySeaLand基准数据集,评估12种主流检测器并提出超轻量SkyDet基线模型,为低内存交通检测提供参考。
2026-08-10 cs.CV
High Frequency, High Accuracy Pointing onboard Nanosats using Neuromorphic Event Sensing and Piezoelectric Actuation
The University of Adelaide(阿德莱德大学);Inovor Technologies(Inovor科技公司);Australian National University(澳大利亚国立大学)
针对纳卫星指向精度不足的问题,提出一种结合神经形态事件传感器与压电平台的新型有效载荷,通过闭环控制实现高频高精度的姿态校正,在50Hz下达到1-5角秒指向精度。
2023-09-11 cs.CV cs.ET cs.RO
Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis
European Space Agency(欧洲空间局);University of Naples Federico II(那不勒斯费德里科二世大学);Ben-Gurion University of the Negev(本-古里安大学内盖夫分校);University of Campania “L. Vanvitelli”(坎帕尼亚大学“L.万维泰利”分校);Advanced Concepts and Studies Office, European Space Agency(欧洲空间局先进概念与研究办公室)
该研究提出一种端到端星载原始数据分析框架,利用深度学习直接从原始卫星图像检测和分类船舶,并引入两个新数据集,在CubeSat硬件上验证了可行性,以增强海上态势感知。
2024-11-05 cs.CV
LIMODENet: Attention-Free Compact Encoders for Information-Preserving Onboard Satellite Image Restoration
Texas A&M University - Corpus Christi(德克萨斯A&M大学科珀斯克里斯蒂分校);University of Luxembourg(卢森堡大学)
针对神经形态硬件不支持注意力的约束,提出无注意力紧凑编码器LIMODENet,以0.69M参数实现信息保持的星载图像复原,优于CNN和U-Net,并端到端转换为零阻塞脉冲网络。
2026-09-15 cs.CV
Insight Into the Collocation of Multi-Source Satellite Imagery for Multi-Scale Vessel Detection
Luxembourg Institute of Science and Technology(卢森堡科学技术研究院);IRISA, Université Bretagne Sud(布列塔尼南方大学IRISA研究所)
本文研究多源卫星影像(光学与雷达)组合训练深度学习模型进行船舶检测,发现跨数据集应用时性能提升5-20%,且光学训练模型可迁移至雷达影像,反之效果差。
2024-05-23 cs.CV eess.IV
Semi-supervised learning for marine anomaly detection on board satellites
European Space Agency(欧洲空间局);Delft University of Technology(代尔夫特理工大学);AI Sweden(瑞典AI中心)
针对海洋异常检测中标注数据稀缺问题,本文研究了FixMatch for Semantic Segmentation半监督算法在星载U-Net模型上的性能,发现其在数据有限时优于全监督模型。
2025-03-26 cs.CV
Non-Visible Light Data Synthesis and Application: A Case Study for Synthetic Aperture Radar Imagery
Singapore Management University(新加坡管理大学)
本文针对SAR图像样本稀缺问题,提出两阶段低秩适配方法2LoRA及其改进版pLoRA,通过先适配航拍结构再适配SAR模态的方式微调大规模图像生成模型,实现SAR数据合成并有效提升小类别分类与分割性能。
2023-11-29 cs.CV
Hardware-aware vs. Hardware-agnostic Energy Estimation for SNN in Space Applications
Institute of Electrical Engineering, Lucerne University of Applied Science and Arts(电气工程学院,卢塞恩应用科学与艺术大学)
本文针对空间应用中基于单目图像的三维卫星位置估计任务,对比了SNN的硬件感知与硬件无关能耗估计方法,发现SNN的能效优势仅在神经形态硬件和高输入稀疏性条件下显著,并强调了透明评估与明确假设对公平比较的重要性。
2025-08-27 cs.CV
ORBITALIF: An Efficient Spiking Federated Learning Framework for Onboard Cloud Removal
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院)
针对低轨卫星传统云去除流程的缺陷,研究人员提出OrbitALIF脉冲联邦学习框架,采用SNN骨干网络及相关模块,实现星上云去除,能耗较ANN降低72.3倍且性能相当。
2026-08-26 cs.AI cs.CV cs.DC
Cross-View Image Retrieval -- Ground to Aerial Image Retrieval through Deep Learning
Lahore University of Management Sciences(拉合尔管理科学大学)
跨模态检索的目的是度量不同类型数据之间的内容相似性。这个想法以前已经应用于视觉,文本和语音数据。在本文中,我们提出了一种新的跨模态检索方法,专门用于多视图图像,称为跨视图图像检索CVIR。我们的方法旨在找到一个特征空间以及嵌入空间,其中街景图像的样本直接与卫星图像进行比较(反之亦然)。为了进行这种比较,提出了一种新的基于深度度量学习的解决方案“DeepCVIR”。先前的交叉视图图像数据集的不足之处在于它们(1)缺乏类别信息;(2)最初收集用于具有耦合图像的交叉视图图像地理定位任务;(3)不包括来自街道外位置的任何图像。为了训练、比较和评估交叉视图图像检索的性能,我们提出了一个新的6类交叉视图图像数据集CrossViewRet,该数据集包括高速公路、山脉、宫殿、河流、船舶和体育场等图像,每类700幅高分辨率双视图图像。结果表明,所提出的DeepCVIR在给定数据集的CVIR任务上优于传统的匹配方法,并且也可以作为未来研究的基线。
2020-05-02 cs.CV
Learning a Rotation Invariant Detector with Rotatable Bounding Box
Institute of Electronics, Chinese Academy of Sciences(中国科学院电子学研究所)
任意旋转目标的检测是一个具有挑战性的任务,由于难以定位的多角度目标,并有效地将它们从背景中分离出来。现有的方法由于使用传统的限界框,即一种用于定位旋转对象的旋转可变结构,对对象的角度变化不鲁棒。本文提出了一种新的检测方法,该方法应用了新定义的旋转限界框(RBox)。所提出的检测器(DRBox)可以有效地处理的情况下,对象的方向角是任意的。DRBox的训练迫使检测网络学习对象的正确方向角,从而实现旋转不变特性。DRBox被测试用于检测卫星图像上的车辆、船舶和飞机,并与Faster R-CNN和SSD进行比较,这两种方法被选为传统的基于限界框的方法的基准。实验结果表明,DRBox算法在给定的任务下比传统的基于限界框的方法有更好的性能,并且对输入图像和目标物体的旋转具有更强的鲁棒性。此外,实验结果表明DRBox能够正确地输出目标的方位角,这对于多角度目标的有效定位是非常有用的。代码和模型可在https://github.com/liulei01/DRBox上获得。
2017-11-26 cs.CV
SAR-Based Marine Oil Spill Detection Using the DeepSegFusion Architecture
Anurag University(阿努拉格大学)
本文提出DeepSegFusion架构,通过融合SegNet和DeepLabV3+,在SAR图像中实现高精度的油污检测,准确率达94.85%,误检率降低64.4%。
2026-01-17 cs.CV
M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere
Beijing University of Posts and Telecommunications (BUPT)(北京邮电大学);China National Meteorological Centre (NMC)(中国国家气象中心);Tsinghua University(清华大学);Beihang University(北京航空航天大学);Beijing Wuzi University(北京物资学院)
针对现有海雾检测公开数据集场景简单的问题,该研究构建了覆盖全球15个海域的多模态多阶段M4Fog数据集,设置三类任务赛道,实验验证了其合理性,为机器学习驱动的海雾研究提供支撑。
2024-06-19 cs.CV
The QXS-SAROPT Dataset for Deep Learning in SAR-Optical Data Fusion
Qian Xuesen Laboratory of Space Technology, China Academy of Space Technology(中国空间技术研究院钱学森空间技术实验室)
深度学习技术对遥感领域的影响越来越大。然而,基于深度神经网络的融合来自具有异质特征的不同遥感器的多模态数据尚未得到充分探索,这是由于缺乏大量具有不同高分辨率场景的完美对齐的多传感器图像数据的可用性,特别是对于合成孔径雷达(SAR)数据和光学图像。为了促进基于深度学习的SAR-光学融合方法的发展,我们发布了QXS-SAROPT数据集,其中包含20,000对SAR-光学图像块。我们从SAR卫星高分三号图像中获取SAR斑块,从Google Earth图像中获取光学斑块。这些图片涵盖了三个港口城市:圣地亚哥,上海和青岛。在这里,我们提出了一个详细的介绍的数据集的建设,并显示其两个代表性的示范性应用,即SAR光学图像匹配和SAR船舶检测从光学图像的交叉模态信息增强。QXS-SAROPT作为一个开放的高分辨率多场景SAR-光学数据集,对基于深度学习的SAR-光学数据融合技术的进一步研究具有潜在的应用价值。
2021-04-25 cs.CV cs.LG eess.IV