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

큰 규모의 객체 탐지를 위한 항공 이미지 데이터셋
2019년 5월 발표

요약 : 위성 사진 객체 탐지 연구에 사용할만한, 큰 규모의 데이터셋.

서론

컴퓨터 비전에 많은 발전이 있었으나, 항공 이미지에 대한 진행도는 더뎠다. 그 이유로는 지구 표면에는 여러 규모, 방향, 모양의 객체들이 내포돼 있고, 항공 이미지 개념을 갖고 만들어진 데이터셋 갯수 자체가 부족한 점이다.

그래서 이 DOTA(Dtadaset for Object deTection in Aerial imgaes)를 소개했다.

총 다른 센서와 플랫폼에서 모은 2806개의 항공 이미지 (발표 당시), 그리고 각 이미지들은 4000x4000 정도의 픽셀들과 많은 갯수의 객체들, 그리고 그 객체들의 여러 크기, 방향, 모양들을 수집되었다. 그리고 항공 이미지 해석 전문가의 의해 15개의 객체 카테고리로 나뉘어졌다. 완전히 주석된 DOTA 이미지들은 총 188,282개의 케이스(instances)들이 있다.

그리고 항공사진의 객체 탐지를 위한 베이스라인을 만들기 위해, 최신의 객체 탐지 알고리즘들을 DOTA의 적용시켰다. 실험 결과들은 DOTA가 항공사진 비전 응용에 잘 부합(대표)한다는 것을 명시하면서 동시에 쉽지 않다는 것을 보여준다.

소개

논문 서론에서 설명했던 비전과 비전외 분야의 대해 간략히 설명, 예시 이미지들과 통계 자료로 로 DOTA의 이미지 크기와 객체들의 크기, 케이스들, 카테고리들이 어느정도인지 보여준다.

연구 동기

그 동안 사용되어왔던 항공 이미지 데이터셋들과 비교해보면서 DOTA 데이터셋의 우월성을 증명한다.

DOTA 주석

이미지를 모았던 방식, 방법과 카테고리 선별 과정, 주석(instance화) 방법등을 알려주고 마지막으로, 데이터셋 분류 비율을 알려준다. (반은 training set, 1/6은 validation set, 1/3은 test set인데 발표 당시 평가 서버를 구축 중이라 test set은 공개 하지 않았다고 한다.)

DOTA 요소들

이미지 크기, 객체들의 방향 다양성, 공간 해상도 정보, 카테고리 별 픽셀 크기의 다양성, 객체의 다양한 시각 비율, 이미지의 다양한 객체 깊이 등을 소개한다.

평가 방법

Faster R-CNN, R-FCN, YOLOv2 그리고 SSD알고리즘을 사용했다. 각 이미지들의 크기를 고려해 실험에서 사용한 crop과 stride 크기도 알려준다. 평가지표로는 horizontal bounding boxes(HBB), oriented bounding box(OBB)를 사용했다. 그리고 평가지표에 맞게 수식 정리와 과정, 베이스 라인, 결과 분석 또한 세밀히 기록했다.

교차 데이터셋 검증

교차 데이터셋 검증의 필요성과 논문에서 택한 UCAS-AOD 데이터셋, 그리고 검증 과정을 간략히 설명한다.

결론

항공 이미지 데이터셋에서의 DOTA의 우월성을 다시 한번 증명했고, 데이터셋 분석, 학습이 어렵다는 점을 인정하지만, 자연적인 항공 장면과 매우 흡사하다는 점을 강조했다. 그러므로 실전 문제 적용에 더 적합하다는 것이다.