目标检测-建筑物检测

将计算机视觉领域中对建筑物检测的内容做总结，根据三种不同的应用方向：目标检测、语义分割、实例分割，常用的算法与应用进行举例说明。

建筑物检测

• 基于目标检测
  • 检测方法
    • 基于区域
      • RCNN
        • 优点：精度高
        • 缺点：训练模型时间常，参数量大，不能做实时检测
        • 适用低分辨率遥感影像
    • 基于回归
      • YOLO
        • 优点：检测速度快
        • 缺点：检测精度低
        • 改进例子
          • YOLOv3改进：修改特征图大小与先验框维度，但易忽略小目标
  • 应用
    • 违章建筑物检测
      • 考虑检测精度
    • 灾后建筑物检测
    • 危房检测
      • 考虑检测速度
  • 采用水平检测框，多用于仅需要定位建筑物坐标
• 基于语义分割（常用）
  • 定义：对每一个像素进行分类，提取出建筑物的大致轮廓
  • 检测方法
    • ESPCN + U-Net
  • 应用
    • 建筑物面积提取
    • 建筑物变化检测
  • 复杂环境易出现局部信息缺失、边缘模糊，不利于实际的边缘提取与轮廓拟合
  • 公开数据集
    • 1、武汉大学建筑物数据集
      • 由专业人员标注，只包含建筑物的标记信息
      • 图像像素为512*512
    • 2、ISPRS建筑物数据集
      • Vaihingen村庄地区
        • 小型且独立分布
      • Postdam城市地区
        • 较大且密集分布
      • 遥感图像为8位tiff文件，分为六类目标，可选择将标签转换位只含建筑物与非建筑物
• 基于实例分割
  • 定义：同时预测边界盒和分割掩码，独立检测每一个建筑物
  • 检测方法
    • Mask RCNN
      • 基于目标检测结果，独立分割建筑物，适用于分布密集的小型建筑物
      • 文献：An efficient building extraction method from high spatial resolution remote sensing images based on improved mask R-CNN
        • 解决
          • 1、自动发现语义特征解决错检、漏检
          • 2、融合算法提取，准确率高但效率低
  • 应用
    • 城市规划
    • 地图更新
  • 综合目标检测+语义分割优点，但对建筑物自身轮廓的分割不够精细
• 提高建筑物检测精度方向
  • 扩大样本量
    • 非生成式数据增强
      • 几何变换
      • 增加噪声
    • 生成式数据增强
      • 生成对抗网络生成目标数据
  • 优化算法
    • 检测精度高的算法参数庞大，可考虑保持学习性能的同时，对网络模型进行压缩
    • 模型与建筑物本身的纹理、轮廓和其他高级语义信息结合
  • 图像预处理阶段引入图像恢复算法
• 研究方向
  • 小样本目标检测
    • 数据增强，扩大样本量
    • 迁移学习
      • 1、使用别人在大型数据集上训练好的卷积层
      • 2、通用物体检测模型
    • 元学习
      • 利用过去任务的学习经验指导新任务的学习