衛(wèi)星圖像進(jìn)行目標(biāo)識(shí)別仍然困難重重,美國(guó)提出了一種方法

編者按：CV中的目標(biāo)物體識(shí)別進(jìn)步非?？?，但是想對(duì)衛(wèi)星圖像進(jìn)行目標(biāo)識(shí)別仍然困難重重。美國(guó)研究者就提出了一種方法——You Only Look Twice，能清晰地看到衛(wèi)星圖像中的汽車(chē)、飛機(jī)場(chǎng)上的飛機(jī)及建筑物，并開(kāi)放了代碼（見(jiàn)文末）。以下是論智帶來(lái)的編譯。

在大范圍圖像中對(duì)小目標(biāo)進(jìn)行檢測(cè)是衛(wèi)星圖像分析的主要問(wèn)題。雖然深度學(xué)習(xí)方法為基于地面的目標(biāo)檢測(cè)提供了許多方法，將這種技術(shù)轉(zhuǎn)化為圖片是非常重要的步驟。其中最大的挑戰(zhàn)就是所有像素的數(shù)量和每張圖片的地理內(nèi)容：一張DigitalGlobe（美國(guó)的一家商業(yè)空間圖像和地理空間內(nèi)容提供商，并操控?cái)?shù)臺(tái)遙感航天器）衛(wèi)星圖片涵蓋了64m2以上的土地，有超過(guò)2.5億個(gè)像素。另一個(gè)挑戰(zhàn)是，我們想要觀(guān)察的對(duì)象物體非常?。ń?jīng)常在10像素左右），這對(duì)傳統(tǒng)的計(jì)算機(jī)視覺(jué)技術(shù)來(lái)說(shuō)是一項(xiàng)很復(fù)雜的任務(wù)。為了解決這個(gè)問(wèn)題，我們提出了一個(gè)流程，即“You Only Look Twice”（只需看兩眼），它能以每秒大于0.5平方米的速度對(duì)衛(wèi)星圖像進(jìn)行評(píng)估掃描，可以快速地在不同范圍內(nèi)對(duì)目標(biāo)物體進(jìn)行檢測(cè)，同時(shí)只需較少的訓(xùn)練數(shù)據(jù)。我們?cè)趫D片的原始分辨率下對(duì)圖片進(jìn)行評(píng)估，同時(shí)生成的車(chē)輛定位F1分?jǐn)?shù)大于0.8。之后我們又系統(tǒng)地測(cè)試了降低分辨率和目標(biāo)物體尺寸后的效果，最后得出當(dāng)尺寸降至5像素時(shí)，系統(tǒng)的識(shí)別率仍然很高。

遇到的挑戰(zhàn)

深度學(xué)習(xí)方法在傳統(tǒng)目標(biāo)檢測(cè)上的應(yīng)用是非常重要的。而衛(wèi)星圖像的特殊性使能夠解決空間前景內(nèi)容、能進(jìn)行旋轉(zhuǎn)變換以及大范圍搜索的算法成為必要的。除了安裝細(xì)節(jié)，算法還必須滿(mǎn)足以下四個(gè)條件：

小空間范圍（small spatial extent）：與ImageNet數(shù)據(jù)集中的清晰大圖不同，衛(wèi)星圖像中的目標(biāo)物體通常很小，并且分布較密集。在衛(wèi)星成像領(lǐng)域，分辨率通常被定義為“地面采樣距離（GSD）”，它描述了一個(gè)像素的實(shí)際距離。商業(yè)用途的圖像尺寸在DigitalGlobe的30厘米GSD到衛(wèi)星成像的3—4米GSD左右。這意味著，即使在最高的分辨率下，汽車(chē)之類(lèi)的小目標(biāo)也只有15像素左右大小。

完全的旋轉(zhuǎn)不變性（rotation invariance）：從空中看到的物體可能會(huì)有各種朝向。比如，船行進(jìn)的方向可能有許多中，但是像ImageNet中的大樹(shù)卻總是垂直的。

訓(xùn)練樣本頻率（training example frequency）：訓(xùn)練數(shù)據(jù)相對(duì)不足。

極高分辨率（ultra high resolution）：輸入的圖像非常大，常常有百萬(wàn)像素。所以簡(jiǎn)單地對(duì)輸入圖像尺寸進(jìn)行下采樣不合適。

DigitalGlobe在巴拿馬運(yùn)河附近拍攝的8×8km（約16000×16000像素）的圖像，GSD為50cm。紅框表示416×416像素大小的區(qū)域

You Only Look Twice

為了解決模型無(wú)法檢測(cè)像素過(guò)小的目標(biāo)、難以生成全新比例的圖像等限制，我們提出了一種經(jīng)過(guò)優(yōu)化的為衛(wèi)星圖像目標(biāo)檢測(cè)框架：You Only Look Twice（YOLT）。我們擴(kuò)展了Darknet神經(jīng)網(wǎng)絡(luò)框架，同時(shí)更新了一些C函數(shù)庫(kù)一共地理空間圖像分析，并且整合了外部Python庫(kù)。我們選擇Python用戶(hù)社群來(lái)進(jìn)行預(yù)處理和后處理。在更新完C代碼和進(jìn)行預(yù)處理和后處理之間，參與者無(wú)需對(duì)C有深入了解。

網(wǎng)絡(luò)結(jié)構(gòu)

為了減少模型的粗糙度同時(shí)增強(qiáng)檢測(cè)密集物體時(shí)的精確度，我們所使用的是一個(gè)具有22層的網(wǎng)絡(luò)，并且以16為系數(shù)進(jìn)行降采樣。所以輸入一張416×416像素的圖片會(huì)生成一個(gè)26×26的網(wǎng)格。該網(wǎng)絡(luò)受30層的YOLO啟發(fā)，經(jīng)過(guò)優(yōu)化后專(zhuān)為檢測(cè)小型密集對(duì)象。密集網(wǎng)格對(duì)散布型場(chǎng)景（如機(jī)場(chǎng)）可能不太重要，但是對(duì)高密度場(chǎng)景（如停車(chē)場(chǎng)）非常重要。

空中成像的目標(biāo)物體檢測(cè)對(duì)標(biāo)準(zhǔn)網(wǎng)絡(luò)架構(gòu)的挑戰(zhàn)。兩張圖片來(lái)自統(tǒng)一數(shù)據(jù)集。左圖中的模型將4000×4000像素的測(cè)試圖像降采樣到416×416，圖中共有1142輛車(chē)，沒(méi)有一輛被識(shí)別出來(lái)。右圖中的模型同樣是416×416，漏報(bào)率過(guò)多是由于車(chē)輛密度太大，13×13的網(wǎng)格無(wú)法將它們分辨出來(lái)

為了提高模型識(shí)別小物體的準(zhǔn)確度，我們還加入了一個(gè)穿透層，與最后的52×52圖層連接起來(lái)成為最后的卷積層，可以讓探測(cè)器獲得擴(kuò)展后的特征向量更細(xì)微的特征。

測(cè)試過(guò)程

在測(cè)試時(shí)，我們將不同尺寸的測(cè)試圖片分割成可操作的小圖，并將每個(gè)小圖在訓(xùn)練過(guò)的模型上進(jìn)行實(shí)驗(yàn)。如下圖所示：

測(cè)試過(guò)程是從左圖移動(dòng)到右圖，重疊部分在右下圖中用紅色表示。重疊部分的非極大抑制對(duì)于改善小圖邊緣的目標(biāo)檢測(cè)是非常有必要的

許多衛(wèi)星成像的性能都依賴(lài)于其內(nèi)部拍攝全局大圖的能力。所以，小型圖像芯片遠(yuǎn)不如由衛(wèi)星平臺(tái)自己拍攝的大型圖像。物體檢測(cè)的最后一步就是將成百上千張測(cè)試芯片連接到最后的圖像層中。

目標(biāo)檢測(cè)結(jié)果

最初，我們想只訓(xùn)練一個(gè)分類(lèi)器，讓其能夠辨認(rèn)交通工具、基礎(chǔ)設(shè)施等許多種類(lèi)的物體。但是結(jié)果并不理想，在對(duì)機(jī)場(chǎng)的識(shí)別中，我們發(fā)現(xiàn)這樣的結(jié)果：

這一通用模型產(chǎn)生了較差的結(jié)果。檢測(cè)到的飛機(jī)被紅框圈起來(lái)，可以看到還有幾架被遺漏。另外藍(lán)框內(nèi)是被模型誤解的“跑道”

要解決這一問(wèn)題，我們?cè)囍眯l(wèi)星成像中的規(guī)模信息，運(yùn)行兩個(gè)不同的分類(lèi)器：一個(gè)用于識(shí)別交通工具和建筑，另一個(gè)用來(lái)檢查機(jī)場(chǎng)。第一種分類(lèi)器的尺寸為200m，第二種為2500m。我們將測(cè)試照片分成合適尺寸的小圖，然后將每張小圖輸入到分類(lèi)器中。最終將多個(gè)分類(lèi)器的結(jié)果結(jié)合成最后一張圖像，我們發(fā)現(xiàn)檢測(cè)率在0.3和0.4之間的生成的F1分?jǐn)?shù)最高。以下是目標(biāo)檢測(cè)器在各個(gè)類(lèi)別下的表現(xiàn)：

可以看到，YOLT在機(jī)場(chǎng)、飛機(jī)和船幾個(gè)類(lèi)別中表現(xiàn)得很好

細(xì)節(jié)表現(xiàn)分析

接著，我們?cè)贑OWC數(shù)據(jù)集上測(cè)試了YOLT對(duì)汽車(chē)的檢測(cè)結(jié)果，下圖是在每個(gè)場(chǎng)景中模型的F1分?jǐn)?shù)以及對(duì)汽車(chē)數(shù)量計(jì)算的精確度：

上面的圖示COWC中每個(gè)測(cè)試場(chǎng)景的F1分?jǐn)?shù)，下面的圖是將檢測(cè)次數(shù)作為標(biāo)準(zhǔn)數(shù)值的一部分

不同分辨率下的目標(biāo)檢測(cè)。左圖的GSD為15cm，F(xiàn)1分?jǐn)?shù)為0.94。右圖的GSD為90cm，F(xiàn)1分?jǐn)?shù)為0.84

結(jié)語(yǔ)

目標(biāo)檢測(cè)算法在定位類(lèi)似ImageNet數(shù)據(jù)集中的圖片上取得了巨大進(jìn)步，但是這類(lèi)算法通常不適合用于衛(wèi)星圖片中的目標(biāo)檢測(cè)。為了解決這一限制，我們提出了一種完全卷積的神經(jīng)網(wǎng)絡(luò)模型（YOLT），它能快速定位衛(wèi)星圖片中的汽車(chē)、建筑和機(jī)場(chǎng)。最終的F1分?jǐn)?shù)從0.6到0.9不等，取決于不同的檢測(cè)種類(lèi)。代碼目前已在GitHub上開(kāi)放.