Fine-Grained Object Detection with Remote-Sensing Data Using Optimized YOLO-based Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Remote sensing data is used in various fields, such as environmental monitoring, urban planning, agriculture, and disaster management. Advances in satellite technology permit the creation of high-quality data, including high-resolution remote-sensing images. However, classical techniques struggle to process and extract information from large quantities and high-resolution remote-sensing data. In this context, with the advancement in computing power, deep learning has become a powerful tool for extracting features and processing remote-sensing data. Despite these advancements, remote-sensing object detection faces challenges related to the diversity of object types, variations in scale and resolution, and the presence of occlusion, which can hinder the accuracy and robustness of detection models. This paper explores YOLO-based architectures for horizontal and oriented bounding box detection in fine-grained object detection using the FAIR1M dataset. FAIR1M provides high-resolution satellite images with 5 object categories and 37 object sub-categories. The best model in horizontal object detection is the YOLOv9e, achieving a mAP50 of 44.6 %. The best model in oriented object detection is a pre-trained model using a custom weighted data loader, achieving a mAP50 of 40.5 %. We further analyze the strengths and limitations of these techniques for fine-grained remote-sensing object detection and highlight the contributions to improving the models' performances depending on the application. We then conclude and give directions for future work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle