DOTA: A Lareg-scale dataset for object detection in aerial images
DOTA: A Lareg-scale dataset for object detection in aerial images
Abstract: Earth vision
图像规模庞大，多样性，物体定位和地球表面物体实例的形状检测，良好注释的数据集过于匮乏
从不同的传感器和平台众包2806个航拍图像，每一个图像是大约4000*4000，目标涵盖了各种各样的规模，位置，形状。这些图像被遥感领域专家注释并被分为15个类别，注释后的完整数据集图像包括188282个实例，每一个被一个任意四边形标记。
1.Introduction
从自然场景的目标检测算法向earth vision转换。
区别：
- 航拍图像中对象实例的尺度变化是巨大的。这不仅是因为传感器的空间分辨率，还因为同一对象类别内的尺寸变化。
- 许多小物体实例在航拍图像中拥挤，例如，港口中的船只和停车场中的车辆。此外，航拍图像中的实例频率是不平衡的，例如，一些小的size（例如1kx1k）图像包含1900个实例，而一些大尺寸图像（例如4kx4k）可能只包含一小部分小实例。
- 航拍图像中的物体通常以任意方向出现。还有一些具有极大纵横比的实例，例如桥。
2.Motivations：
我们认为一个好的航空图像数据集应该具有四个属性，即1）大量图像，2）每个类别的许多实例，3）正确定向的对象注释， 4）许多不同类别的对象，这使得它接近真实世界的应用程序。然而，现有的航空图像数据集[15,17,24,40]共同存在几个缺点：数据和类别不足，缺乏详细的注释以及低图像分辨率。而且，它们的复杂性不足以被视为重新考虑现实世界。
DOTA每张图像上实例多，类别小是因为航拍图像中能够看清的物体有限（分辨率低）。
3.Annotation of DOTA
3.1 图像的收集
在航拍数据集上，多种多样的传感器被使用，是产生数据集偏差的因素，为了消除这些偏差，我们数据集中的数据是由多分辨率多传感器和多平台收集来的，比如谷歌地球，为了提高数据的多样性，记录坐标，保证没有重复的图像。
3.2 分类
15类包括：
飞机，船舶，储罐，棒球场，网球场，篮球场，地面轨道场，港口，桥，大型车辆，小型车辆，直升机，环形交通枢纽，足球球场和篮球场。
3.3 标注方法
（x,y,h,w） （x,y）表示位置，（h,w）是边框的宽和高 不能精确或紧凑的贴合物体的轮廓
（x,y,w,h,theta） theta 表示边界框与水平方向的夹角度 不能贴合围绕住那些不同部分之间可能有较大变形的物体。
任意四边形边界框，可以表示为f（xi; yi）, i = 1; 2; 3; 4，其中（xi; yi）表示图像中定向边界框顶点的位置。顶点按顺时针顺序排列。
3.4 数据集的划分
1/2 训练集
1/6 验证集
1/3 测试集
4.DOTA 数据集的性能
4.1 图片大小
航拍影像相较于自然场景图像都是比较大的，我没数据集的图像原始尺寸范围大概是800*800-4000*4000之间，但是一般常规数据集如Pascal_voc和mscoco中大部分图像尺寸都不出超过1000*1000
4.2 具有多种方向上的实例
4.3 空间分辨率信息
每张图像提供了空间分辨率
4.4 具有多种像素尺寸的分类
小中大实例占比比较平均
4.5 具有多种纵横比的实例
计算了数据集中所有实例的两种宽高比，为模型提供更好的参考：
- 最小外接矩形边界框的宽高比
- 原始四边形边界框的宽高比
数据集中有大量具有大纵横比的实例
4.6 各种实例密度的图像
5.评价
我们在DOTA数据集上使用了目前最先进的目标检测方法来评估。对于水平物体的检测，我们选择那些在普通目标检测表现良好的算法，如选择Faster-RCNN（26）、R-FCN（4）、YOLV2（25）和SSD（16）作为我们的基准测试算法。对于定向的物体检测，我们修改原来的Faster R-CNN算法，使其能使用正确预测定向的边界框。
值得注意的是，主干网络如下：对RFNET-101使用R-FCN和Faster R-CNN，对InceptionV2使用SSD，对YOLVO2使用定制化的GoGoLeNET
5.1 Tasks
HBB
OBB