Bootstrapping Rare Object Detection in High-Resolution Satellite Imagery

本文讨论的是在应用地理空间机器学习中的一项基本任务：罕见目标检测。然而，由于存在大量高分辨率的卫星或航空图像以及很少或没有标记的正样本，这通常是一项具有挑战性的任务。本文解决了在没有标记数据和区域先验的情况下引导这种罕见目标检测任务的问题。我们提出了一种新颖的离线和在线基于聚类的方法，用于采样补丁，这些方法比随机采样更有效，可以更多地向人类注释者呈现正样本。我们将这些方法应用于肯尼亚和坦桑尼亚的塞伦盖蒂玛拉地区的bomas（牧群动物的小圈舍）识别。我们展示了显著的检测效率提高，将正样本采样率从2%（随机采样）提高到30%。这种进展使得即使在标记预算很少的情况下，也可以进行有效的机器学习映射，例如，在总共采样300个补丁的预算下，boma检测任务的F1得分为0.51。

如何在没有标记数据和空间先验的情况下，有效地检测稀有对象？

使用离线和在线基于聚类的方法来采样补丁，以更有效地暴露正样本，从而提高检测效率。

该论文提出了一种有效检测稀有对象的方法，应用于肯尼亚和坦桑尼亚的塞伦盖蒂马拉地区的bomas检测。该方法相比随机采样，可以将正样本的采样率从2%提高到30%，并在最小标记预算300个补丁的情况下，实现了0.51的F1得分。论文还开源了数据集和代码。

近期的相关研究包括：1.《Deep Learning for Rare Object Detection in High-Resolution Satellite Imagery》；2.《Aerial Image Object Detection Using Multi-Scale Feature Fusion》。