专栏首页机器学习、深度学习卫星图像中的车辆分析--A Large Contextual Dataset for Classification, Detection and Counting of Cars

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • AlexNet- ImageNet Classification with Deep Convolutional Neural Networks

    ImageNet Classification with Deep Convolutional Neural Networks

    用户1148525
  • 实时语义分割

    ICNet for Real-Time Semantic Segmentation on High-Resolution Images https://hs...

    用户1148525
  • 弱监督语义分割--Weakly Supervised Semantic Segmentation using Web-Crawled Videos

    Weakly Supervised Semantic Segmentation using Web-Crawled Videos CVPR2017

    用户1148525
  • 计算机视觉路线图

    如今,计算机视觉(CV)已成为人工智能的一项重要应用(例如,图像识别、对象跟踪、多标签分类)。本文将引导你完成搭建计算机视觉系统的一些主要步骤。

    人工智能小咖
  • 计算机视觉系统中图像究竟经历了哪些“折磨”

    如今,计算机视觉(CV)已成为人工智能的主要应用之一(例如,图像识别,对象跟踪,多标签分类)。在本文中,我们将了解构成计算机视觉系统的一些主要步骤。

    小白学视觉
  • 小肥柴学CV——什么是数字图像

    由于之前找工作的时间很赶,所以很多知识点,学的不是非常的深刻。因此我目前打算再好好学一遍,争取未来能进大厂~~~

    AI算法与图像处理
  • 用人工神经网络控制猴子大脑,MIT科学家做到了

    三位研究者分别是 MIT 大脑与行为科学系主任 James DiCarlo、MIT 博士后 Pouya Bashivan 和 Kohitij Kar。相关论文发...

    机器之心
  • 数据不够,用GAN来凑!

    在计算机视觉领域,深度学习方法已全方位在各个方向获得突破,这从近几年CVPR 的论文即可看出。

    AI科技大本营
  • TuiGAN: Learning Versatile Image-to-ImageTranslation with Two Unpaired Images

    一个无监督的图像-图像转换(UI2I)任务处理学习两个域之间的映射没有配对的图像。虽然现有的UI2I方法通常需要来自不同领域的大量未配对的图像进行训练,但是在许...

    于小勇
  • 基于FPGA的图像去雾算法的实现

    本文在《基于暗通道先验条件图像去雾算法》的最后段matlab的图像去雾算法的基础上对matlab代码进行转化完成verilog的FPGA图像去雾算法。

    FPGA开源工作室

扫码关注云+社区

领取腾讯云代金券