DOTA: A Large-scale Dataset for Object Detection in Aerial Images (2021)

 

DOTA : Dataset for Object Detection in Aerial images

항공 사진 데이터셋의 부재로 인한 전세계 공통 연구 주제

 

이 논문에서는 그동안 항공 사진에서의 Computer Vision 적용 문제와 그 이유를 서술하고,

자체 개발한 ODAI (Object Detection in Aerial Images) 테스트 Development Kit를 제공한다.

 

paperswithcode.com/paper/dota-a-large-scale-dataset-for-object

Papers with Code - DOTA: A Large-scale Dataset for Object Detection in Aerial Images

Abstract

대규모 벤치마크 (Large-Scale Benchmark) 부족으로 인해 ODAI 발전이 더딤

→ 대규모 데이터셋 (DOTA)와 포괄적인 기준 (Comprehensive Baselines) 제시

→ 단일 ODAI 라이브러리, 알고리즘 테스트용 빌드 알고리즘 제공

 

Introduction

항공 사진 (Aerial Image)에서 물체 감지 (Object Detection)의 대표적인 문제

• 자유로운 방향성 (Arbitrary Orientation)→ 자연 이미지 (Natural Image)와의 주요한 차이점
  1. Rotation-Invariant Feature → 현재 대부분의 DNN 성능으로 해결 불가
  2. 수평 경계 상자 (HBB)는 정확한 위치를 표현할 수 없다.
• → Overhead View로 인해 발생
• 스케일 변동 (Sacle Variations)
• 극도로 불균일한 물체 밀도 (Extremely Nonuniform Object Densities)
• 큰 종횡비 (Large ARs, Aspect Ratios)

최근 출시된 xView 데이터셋

→ 다양한 카테고리, 복잡한 장면에서 대량 인스턴스 포함 (xView: Objects in Context in Overhead Imagery)

arxiv.org/abs/1802.07856

xView: Objects in Context in Overhead Imagery

자연 이미지에서 학습한 기존 모델은 항공 이미지에 적합하지 않음 (hyperparameter setting → domain differences)

→ 알고리즘 개발 과정에서 포괄적인 기준 (Comprehensive Baselines)이 필요하다.

→ 통합된 라이브러리 알고리즘을 구현 (알고리즘 향상 목적)

 

captain-whu.github.io/DOTA/dataset.html

DOTA

이 논문 연구에서 제공하는 DOTA v2.0 : 11,268 항공 이미지 (1.8m 인스턴스, 18 공통 카테고리) → 현존 가장 큰 ODAI 데이터셋

+테스트용 코드 라이브러리 제공 (10개의 알고리즘과 70개의 모델)

• DOTA의 OBB 주석은 Large-Scale Benchmark 제공
• Aerial Image에서 물체 인식 코드 라이브러리 구축
• 알고리즘 설계를 안내하는 포괄적인 분석을 제공

 

Related Work

Datasets for Object Detection in Aerial Images

→ ODAI에 적합한 이미지 데이터셋 조건

• 주석이 존재하는 실질적인 데이터
• 큰 크기의 이미지 (더 많은 contextual information 포함)
• OBB annotation (개체의 정밀한 방향과 위치를 설명)

→ DOTA는 모든 조건을 만족하는 유일한 데이터셋

 

Deep Models for Object Detection in Aerial Images

Natural Images에 비해 Scale Variation (스케일 변화) 매우 크다. Rotation Variation을 처리하기 위해 간단한 Rotation-Invariant Layer를 R-CNN에 추가한다.

ORN (Oriented Response Network)는 ARF (Active Rotating Filters)를 도입한다.

 

Code Library for Object Detection

• Tensorflow Object Detection API (Github)

github.com/facebookresearch/maskrcnn-benchmark

facebookresearch/maskrcnn-benchmark

• Detectron (Github)

 

github.com/facebookresearch/detectron

facebookresearch/Detectron

• Mask RCNN Benchmark (Github)

github.com/facebookresearch/maskrcnn-benchmark

facebookresearch/maskrcnn-benchmark

• Detectron2 (Github)

github.com/facebookresearch/detectron2

facebookresearch/detectron2

• MMDetection (Paper)

arxiv.org/abs/1906.07155

MMDetection: Open MMLab Detection Toolbox and Benchmark

• SimpleDet (Paper)

arxiv.org/abs/1903.05831

SimpleDet: A Simple and Versatile Distributed Framework for Object Detection and Instance Recognition