Contextual object detection via image inpainting

Uydu görüntülerinde nesne tespiti, şehirlerin gözlemlenmesi, afet yönetimi ve askeri gözetim gibi uygulamalarla bilgisayarla görü alanında kritik bir yer almaktadır. Ancak, mevcut yaklaşımlarda genellikle karışık arka planlar gibi nedenlerden dolayı nesnelerin temsil edici özelliklerinin yeterli olmaması gibi zorluklarla karşılaşılmaktadır. Bu çalışmada, Resim Doldurma ile Bağlamsal Nesne Tanıma modelimizi sunmaktayız. Bu yeni yaklaşımımızda resim doldurma modelinin dönüştürücüler kısmındaki öğrenilmiş parametrelerini kullanarak resimlerdeki genel bağlamı elde etmekteyiz. Geliştirdiğimiz füzyon modelimizi kullanarak elde ettiğimiz resimlerdeki bağlamlar ile nesne tanıma modelindeki karşılık gelen öznitelik piramit ağındaki nesneleri temsil eden verileri harmanlamaktayız. Böylelikle bağlam piramit ağı olarak adlandırdığımız tümleşim çıktılarımızı öznitelik piramit ağındaki ilgili katmanların yerine geçirerek daha iyi bir şekilde nesneler için konum ve etiket tespiti yapabilmekteyiz. Deneylerimiz DOTA ve HRSC2016 veri kümelerinde yapılmıştır. Modelimiz, yapılan deneylerde, literatürde en yüksek ortalama kesinlik (mAP) sonuçlarından birini veren OrientedRCNN modelini DOTA sınama veri kümesinde aynı ön işlem ve son işlem yöntemlerini kullanarak tek ölçekli resimlerde 0.67% ve çok ölçekli resimlerde ise 0.60% üstünlük göstermektedir. Modelimiz HRSC2016 veri kümesinde ise 90.57% mAP değeri elde ederek Oriented-RCNN'i 0.27% lik bir farkla geçmiş olup en yüksek değerlerden birini elde etmiştir. Bu bağlamda modelimiz, gelecekteki uydu görüntülerinde nesne tespiti uygulamaları için yeni bir yaklaşım sunmakta olup, nesnelerin daha doğru bir şekilde konumlandırılması ve tanımlanmasına öncülük etmektedir.