.png){kind=icon}
返回
Layout-Controlled Synthetic Data Generation for Remote Sensing Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2026.3679408.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高性能遥感目标检测通常需要大量带标注的数据集，但大规模数据的收集和标注是一个成本高昂且劳动密集的过程。尽管生成模型在满足大规模数据集需求方面显示出潜力，但它们严重依赖高质量标注数据，并且常常忽略关键因素，例如对象间关系和合成数据的整体质量。为此，我们提出了布局控制的合成数据生成方法（LSDGen），这是一种用于目标检测的高保真遥感图像生成的新型方法。LSDGen包含三个关键阶段：1）关系约束布局生成（RLGen），该方法从基准数据构建类别关联矩阵，生成主类别和子类别及其空间配置，无需依赖边界框标注；2）通过布局条件扩散模型（LCDM）进行图像合成，其中生成的布局引导扩散模型生成高质量的遥感图像；3）实例中心的合成数据过滤（ISDF），该方法通过计算视觉和文本表示之间的实例级余弦相似度分数来评估合成图像中单个实例的语义一致性，并根据平均语义分数过滤掉低置信度样本。在对象检测在光学遥感图像（DIOR）、基于DIOR数据集的有向目标检测基准（DIOR-R）和高分辨率船舶语料库（HRSC）数据集上的实验结果表明，我们的方法显著提升了现有遥感图像目标检测模型的检测性能，超越了现有的基于标注的合成方法。
Keyword:
Object detection
remote sensing images
synthetic data filtering
synthetic data generation
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
.png){kind=icon}
OAAI分享收藏
SatSynth: Augmenting Image-Mask Pairs Through Diffusion Models for Aerial Semantic SegmentationSatSynth: 通过扩散模型增强图像-掩模对以进行空中语义分割
PREAI
分享收藏Object detection in optical remote sensing images: A survey and a new benchmark光学遥感图像中的目标检测: 调查和新基准OAAI
OAAI分享收藏Enabling Near-Zero Cost Object Detection in Remote Sensing Imagery via Progressive Self-Training
PREAI
分享收藏Ship Rotated Bounding Box Space for Ship Extraction From High-Resolution Optical Satellite Images With Complex Backgrounds舰船旋转包围盒空间用于复杂背景高分辨率光学卫星图像舰船提取
PREAI
分享收藏
查看更多内容