卫星图像中的车辆分析--A Large Contextual Dataset for Classification, Detection and Counting of Cars

A Large Contextual Dataset for Classification, Detection and Counting of Cars with Deep Learning ECCV2016 https://gdo-datasci.ucllnl.org/cowc/

本文针对卫星图像中的车辆分析建立了一个新的数据库:Cars Overhead with Context (COWC),然后使用几个 CNN网络对该数据库进行了分析:主要是分类、检测、计数

首先来看看这个新的数据库 Cars Overhead with Context (COWC) 数据库含有 32716个不同的车,来自6个不同的图像库,图像覆盖的区域包括:Toronto Canada [5], Selwyn New Zealand [6], Potsdam [7] and Vaihingen Germany [8], Columbus [9] and Utah [4] United States。 我们的数据库还标记了 58247个有用的负样本,这些样本和正样本比较相似,难以区分,Examples of these are boats, trailers, bushes and A/C units context is included around targets. Context can help tell us something may not be a car (is sitting in a pond?) or confirm it is a car (between other cars, on a road).

我们对输入图像做了一个归一化,不用考虑车辆的尺度问题。 standardized to 15cm per pixel at ground level from their original resolutions. This makes cars range in size from 24 to 48 pixels。 车辆在图像中的尺寸是 24-48像素之间。有灰度图像,也有彩色图像。 quality, appearance or rotation 这些都是不可控的,需要通过算法来解决

图像是像素级标记的,每个车在其中心点标记一个 dot The image set is annotated by single pixel points. All cars in the annotated images have a dot placed on their center

对 occlusions, Large trucks, Vans and pickups 做了相应的约定。

我们从卫星图像中间隔的裁出图像块分别作为训练图像和测试图像

测试场景

这里我们对新的数据库上完成三个任务: 1)two-class classifier,即判断图像块中有无车辆 2) detection and localization 3) vehicle counting 这里没有密度图,走检测计数的路线

4 Classification and Detection 设计了一个新的网络结构

我们从卫星图像中裁出 256 × 256 大小的图像块 a set of 308,988 training patches and 79,447 testing patches

4.1 Does Context Help?

从上面可以看出,context 增加到一定之后,性能就下降了。

4.2 Detection

5 Counting

我们是对卫星图像分块计数的。

5.2 Counting Efficiency

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏贾志刚-OpenCV学堂

深度学习之迁移学习介绍与使用

在深度学习领域,通过预训练模型作为检查点开始训练生成神经网络模型实现对新任务的支持,这种方法通常被称为迁移学习,它的好处是不用再重头开始设计与训练一个全新的网络...

772
来自专栏机器学习算法原理与实践

隐马尔科夫模型HMM(三)鲍姆-韦尔奇算法求解HMM参数

    在本篇我们会讨论HMM模型参数求解的问题,这个问题在HMM三个问题里算是最复杂的。在研究这个问题之前,建议先阅读这个系列的前两篇以熟悉HMM模型和HMM...

832
来自专栏Brian

深度学习笔记-优化算法

深度学习模型是作用在大型数据集上进行训练,选择好的优化算法不仅可以节省你的时间问题,还可以帮助你找到最优解进而解决你的问题。今天来了解一下常用的优化算法:Min...

770
来自专栏菩提树下的杨过

机器学习笔记(5):多类逻辑回归-手动添加隐藏层

了解神经网络原理的同学们应该都知道,隐藏层越多,最终预测结果的准确度越高,但是计算量也越大,在上一篇的基础上,我们手动添加一个隐藏层,代码如下(主要参考自多层感...

1956
来自专栏CreateAMind

强化学习基础概念ppt视频讲解

973
来自专栏YoungGy

判别模型和生成模型

监督学习方法分为生成方法和判别方法,学习到的模型分为生成模型和判别模型。 例子 对于简单的二分类问题 判别模型:学到一个好的分界线,直接把两类区分开 生成模型:...

21310
来自专栏应兆康的专栏

25. 减少可避免偏差的方法

954
来自专栏算法channel

深度学习|神经网络模型实现手写字分类求解思路

请点击上面公众号,免费订阅。 《实例》阐述算法,通俗易懂,助您对算法的理解达到一个新高度。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,...

3357
来自专栏人工智能LeadAI

Bagging

1644
来自专栏机器学习算法与Python学习

特征学习之卷积神经网络

今天介绍卷积神经网络(cnn)的训练方法,即:随机梯度下降和误差反向传播。 先说下推导的思路: (1)说明CNN是一种局部连接和权值共享...

3147

扫码关注云+社区