xView рдбреЗрдЯрд╛рд╕реЗрдЯ
xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдУрд╡рд░рд╣реЗрдб рдЗрдореЗрдЬрд░реА рдХреЗ рд╕рдмрд╕реЗ рдмрдбрд╝реЗ рд╕рд╛рд░реНрд╡рдЬрдирд┐рдХ рд░реВрдк рд╕реЗ рдЙрдкрд▓рдмреНрдз рдбреЗрдЯрд╛рд╕реЗрдЯ рдореЗрдВ рд╕реЗ рдПрдХ рд╣реИ, рдЬрд┐рд╕рдореЗрдВ рдмрд╛рдЙрдВрдбрд┐рдВрдЧ рдмреЙрдХреНрд╕ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░рдХреЗ рджреБрдирд┐рдпрд╛ рднрд░ рдХреЗ рдЬрдЯрд┐рд▓ рджреГрд╢реНрдпреЛрдВ рдХреА рдЫрд╡рд┐рдпрд╛рдВ рд╢рд╛рдорд┐рд▓ рд╣реИрдВред xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдХрд╛ рд▓рдХреНрд╖реНрдп рдЪрд╛рд░ рдХрдВрдкреНрдпреВрдЯрд░ рд╡рд┐рдЬрд╝рди рдлреНрд░рдВрдЯрд┐рдпрд░реНрд╕ рдореЗрдВ рдкреНрд░рдЧрддрд┐ рдореЗрдВ рддреЗрдЬреА рд▓рд╛рдирд╛ рд╣реИ:
- рдкрддрд╛ рд▓рдЧрд╛рдиреЗ рдХреЗ рд▓рд┐рдП рдиреНрдпреВрдирддрдо рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рдХрдо рдХрд░реЗрдВред
- рд╕реАрдЦрдиреЗ рдХреА рджрдХреНрд╖рддрд╛ рдореЗрдВ рд╕реБрдзрд╛рд░ред
- рдЕрдзрд┐рдХ рдСрдмреНрдЬреЗрдХреНрдЯ рд╡рд░реНрдЧреЛрдВ рдХреА рдЦреЛрдЬ рд╕рдХреНрд╖рдо рдХрд░реЗрдВред
- рдмрд╛рд░реАрдХ рджрд╛рдиреЗ рд╡рд╛рд▓реА рдХрдХреНрд╖рд╛рдУрдВ рдХрд╛ рдкрддрд╛ рд▓рдЧрд╛рдиреЗ рдореЗрдВ рд╕реБрдзрд╛рд░ред
xView рд╕рдВрджрд░реНрдн рдореЗрдВ рд╕рд╛рдорд╛рдиреНрдп рд╡рд╕реНрддреБрдУрдВ (COCO) рдЬреИрд╕реА рдЪреБрдиреМрддрд┐рдпреЛрдВ рдХреА рд╕рдлрд▓рддрд╛ рдкрд░ рдмрдирд╛рддрд╛ рд╣реИ рдФрд░ рдЗрд╕рдХрд╛ рдЙрджреНрджреЗрд╢реНрдп рдирдП рддрд░реАрдХреЛрдВ рд╕реЗ рджреГрд╢реНрдп рджреБрдирд┐рдпрд╛ рдХреЛ рд╕рдордЭрдиреЗ рдФрд░ рдорд╣рддреНрд╡рдкреВрд░реНрдг рдЕрдиреБрдкреНрд░рдпреЛрдЧреЛрдВ рдХреА рдПрдХ рд╢реНрд░реГрдВрдЦрд▓рд╛ рдХреЛ рд╕рдВрдмреЛрдзрд┐рдд рдХрд░рдиреЗ рдХреЗ рд▓рд┐рдП рдЕрдВрддрд░рд┐рдХреНрд╖ рд╕реЗ рдЙрдкрд▓рдмреНрдз рдЗрдореЗрдЬрд░реА рдХреА рдмрдврд╝рддреА рдорд╛рддреНрд░рд╛ рдХрд╛ рд╡рд┐рд╢реНрд▓реЗрд╖рдг рдХрд░рдиреЗ рдХреЗ рд▓рд┐рдП рдХрдВрдкреНрдпреВрдЯрд░ рджреГрд╖реНрдЯрд┐ рдХрд╛ рд▓рд╛рдн рдЙрдард╛рдирд╛ рд╣реИред
рдкреНрд░рдореБрдЦ рд╡рд┐рд╢реЗрд╖рддрд╛рдРрдВ
- xView рдореЗрдВ 60 рд╡рд░реНрдЧреЛрдВ рдореЗрдВ 1 рдорд┐рд▓рд┐рдпрди рд╕реЗ рдЕрдзрд┐рдХ рдСрдмреНрдЬреЗрдХреНрдЯ рдЗрдВрд╕реНрдЯреЗрдВрд╕ рд╣реИрдВред
- рдбреЗрдЯрд╛рд╕реЗрдЯ рдореЗрдВ 0.3 рдореАрдЯрд░ рдХрд╛ рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рд╣реЛрддрд╛ рд╣реИ, рдЬреЛ рдЕрдзрд┐рдХрд╛рдВрд╢ рд╕рд╛рд░реНрд╡рдЬрдирд┐рдХ рдЙрдкрдЧреНрд░рд╣ рдЗрдореЗрдЬрд░реА рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреА рддреБрд▓рдирд╛ рдореЗрдВ рдЙрдЪреНрдЪ рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рдЗрдореЗрдЬрд░реА рдкреНрд░рджрд╛рди рдХрд░рддрд╛ рд╣реИред
- xView рдореЗрдВ рдмрд╛рдЙрдВрдбрд┐рдВрдЧ рдмреЙрдХреНрд╕ рдПрдиреЛрдЯреЗрд╢рди рдХреЗ рд╕рд╛рде рдЫреЛрдЯреЗ, рджреБрд░реНрд▓рдн, рдорд╣реАрди рджрд╛рдиреЗ рд╡рд╛рд▓реЗ рдФрд░ рдмрд╣реБ-рдкреНрд░рдХрд╛рд░ рдХреА рд╡рд╕реНрддреБрдУрдВ рдХрд╛ рдПрдХ рд╡рд┐рд╡рд┐рдз рд╕рдВрдЧреНрд░рд╣ рд╣реИред
- рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░ рдПрдХ рдкреВрд░реНрд╡ рдкреНрд░рд╢рд┐рдХреНрд╖рд┐рдд рдЖрдзрд╛рд░рднреВрдд рдореЙрдбрд▓ рдХреЗ рд╕рд╛рде рдЖрддрд╛ рд╣реИ TensorFlow рдСрдмреНрдЬреЗрдХреНрдЯ рдбрд┐рдЯреЗрдХреНрд╢рди рдПрдкреАрдЖрдИ рдФрд░ рдЗрд╕рдХреЗ рд▓рд┐рдП рдПрдХ рдЙрджрд╛рд╣рд░рдг PyTorch.
рдбреЗрдЯрд╛рд╕реЗрдЯ рд╕рдВрд░рдЪрдирд╛
xView рдбреЗрдЯрд╛рд╕реЗрдЯ 3m рдЧреНрд░рд╛рдЙрдВрдб рд╕реИрдВрдкрд▓ рджреВрд░реА рдкрд░ WorldView-0.3 рдЙрдкрдЧреНрд░рд╣реЛрдВ рд╕реЗ рдПрдХрддреНрд░ рдХреА рдЧрдИ рдЙрдкрдЧреНрд░рд╣ рдЫрд╡рд┐рдпреЛрдВ рд╕реЗ рдмрдирд╛ рд╣реИред рдЗрд╕рдореЗрдВ 1,400 рд╡рд░реНрдЧ рдХрд┐рдореА рд╕реЗ рдЕрдзрд┐рдХ рдЗрдореЗрдЬрд░реА рдореЗрдВ 60 рд╡рд░реНрдЧреЛрдВ рдореЗрдВ 1 рдорд┐рд▓рд┐рдпрди рд╕реЗ рдЕрдзрд┐рдХ рдСрдмреНрдЬреЗрдХреНрдЯ рд╢рд╛рдорд┐рд▓ рд╣реИрдВред
рдЕрдиреБрдкреНрд░рдпреЛрдЧреЛрдВ
рдПрдХреНрд╕рд╡реНрдпреВ рдбреЗрдЯрд╛рд╕реЗрдЯ рдХрд╛ рд╡реНрдпрд╛рдкрдХ рд░реВрдк рд╕реЗ рдУрд╡рд░рд╣реЗрдб рдЗрдореЗрдЬрд░реА рдореЗрдВ рдСрдмреНрдЬреЗрдХреНрдЯ рдбрд┐рдЯреЗрдХреНрд╢рди рдХреЗ рд▓рд┐рдП рдЧрд╣рди рд╢рд┐рдХреНрд╖рдг рдореЙрдбрд▓ рдХреЗ рдкреНрд░рд╢рд┐рдХреНрд╖рдг рдФрд░ рдореВрд▓реНрдпрд╛рдВрдХрди рдХреЗ рд▓рд┐рдП рдЙрдкрдпреЛрдЧ рдХрд┐рдпрд╛ рдЬрд╛рддрд╛ рд╣реИред рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреЗ рдСрдмреНрдЬреЗрдХреНрдЯ рдХреНрд▓рд╛рд╕ рдФрд░ рдЙрдЪреНрдЪ-рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рдЗрдореЗрдЬрд░реА рдХреЗ рд╡рд┐рд╡рд┐рдз рд╕реЗрдЯ рдЗрд╕реЗ рдХрдВрдкреНрдпреВрдЯрд░ рджреГрд╖реНрдЯрд┐ рдХреЗ рдХреНрд╖реЗрддреНрд░ рдореЗрдВ рд╢реЛрдзрдХрд░реНрддрд╛рдУрдВ рдФрд░ рдЪрд┐рдХрд┐рддреНрд╕рдХреЛрдВ рдХреЗ рд▓рд┐рдП рдПрдХ рдореВрд▓реНрдпрд╡рд╛рди рд╕рдВрд╕рд╛рдзрди рдмрдирд╛рддреЗ рд╣реИрдВ, рд╡рд┐рд╢реЗрд╖ рд░реВрдк рд╕реЗ рдЙрдкрдЧреНрд░рд╣ рдЗрдореЗрдЬрд░реА рд╡рд┐рд╢реНрд▓реЗрд╖рдг рдХреЗ рд▓рд┐рдПред
рдбреЗрдЯрд╛рд╕реЗрдЯ YAML
рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреЙрдиреНрдлрд╝рд┐рдЧрд░реЗрд╢рди рдХреЛ рдкрд░рд┐рднрд╛рд╖рд┐рдд рдХрд░рдиреЗ рдХреЗ рд▓рд┐рдП рдПрдХ YAML (рдЕрднреА рддрдХ рдПрдХ рдФрд░ рдорд╛рд░реНрдХрдЕрдк рднрд╛рд╖рд╛) рдлрд╝рд╛рдЗрд▓ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд┐рдпрд╛ рдЬрд╛рддрд╛ рд╣реИред рдЗрд╕рдореЗрдВ рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреЗ рдкрде, рдХрдХреНрд╖рд╛рдУрдВ рдФрд░ рдЕрдиреНрдп рдкреНрд░рд╛рд╕рдВрдЧрд┐рдХ рдЬрд╛рдирдХрд╛рд░реА рдХреЗ рдмрд╛рд░реЗ рдореЗрдВ рдЬрд╛рдирдХрд╛рд░реА рд╣реЛрддреА рд╣реИред xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреЗ рдорд╛рдорд▓реЗ рдореЗрдВ, xView.yaml
рдлрд╝рд╛рдЗрд▓ рдкрд░ рдмрдирд╛рдП рд░рдЦрд╛ рдЬрд╛рддрд╛ рд╣реИ https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml.
ultralytics/cfg/datasets/xView.yaml
# Ultralytics YOLO ЁЯЪА, AGPL-3.0 license
# DIUx xView 2018 Challenge https://challenge.xviewdataset.org by U.S. National Geospatial-Intelligence Agency (NGA)
# -------- DOWNLOAD DATA MANUALLY and jar xf val_images.zip to 'datasets/xView' before running train command! --------
# Documentation: https://docs.ultralytics.com/datasets/detect/xview/
# Example usage: yolo train data=xView.yaml
# parent
# тФЬтФАтФА ultralytics
# тФФтФАтФА datasets
# тФФтФАтФА xView тЖР downloads here (20.7 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/xView # dataset root dir
train: images/autosplit_train.txt # train images (relative to 'path') 90% of 847 train images
val: images/autosplit_val.txt # train images (relative to 'path') 10% of 847 train images
# Classes
names:
0: Fixed-wing Aircraft
1: Small Aircraft
2: Cargo Plane
3: Helicopter
4: Passenger Vehicle
5: Small Car
6: Bus
7: Pickup Truck
8: Utility Truck
9: Truck
10: Cargo Truck
11: Truck w/Box
12: Truck Tractor
13: Trailer
14: Truck w/Flatbed
15: Truck w/Liquid
16: Crane Truck
17: Railway Vehicle
18: Passenger Car
19: Cargo Car
20: Flat Car
21: Tank car
22: Locomotive
23: Maritime Vessel
24: Motorboat
25: Sailboat
26: Tugboat
27: Barge
28: Fishing Vessel
29: Ferry
30: Yacht
31: Container Ship
32: Oil Tanker
33: Engineering Vehicle
34: Tower crane
35: Container Crane
36: Reach Stacker
37: Straddle Carrier
38: Mobile Crane
39: Dump Truck
40: Haul Truck
41: Scraper/Tractor
42: Front loader/Bulldozer
43: Excavator
44: Cement Mixer
45: Ground Grader
46: Hut/Tent
47: Shed
48: Building
49: Aircraft Hangar
50: Damaged Building
51: Facility
52: Construction Site
53: Vehicle Lot
54: Helipad
55: Storage Tank
56: Shipping container lot
57: Shipping Container
58: Pylon
59: Tower
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import json
import os
from pathlib import Path
import numpy as np
from PIL import Image
from tqdm import tqdm
from ultralytics.data.utils import autosplit
from ultralytics.utils.ops import xyxy2xywhn
def convert_labels(fname=Path('xView/xView_train.geojson')):
# Convert xView geoJSON labels to YOLO format
path = fname.parent
with open(fname) as f:
print(f'Loading {fname}...')
data = json.load(f)
# Make dirs
labels = Path(path / 'labels' / 'train')
os.system(f'rm -rf {labels}')
labels.mkdir(parents=True, exist_ok=True)
# xView classes 11-94 to 0-59
xview_class2index = [-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 0, 1, 2, -1, 3, -1, 4, 5, 6, 7, 8, -1, 9, 10, 11,
12, 13, 14, 15, -1, -1, 16, 17, 18, 19, 20, 21, 22, -1, 23, 24, 25, -1, 26, 27, -1, 28, -1,
29, 30, 31, 32, 33, 34, 35, 36, 37, -1, 38, 39, 40, 41, 42, 43, 44, 45, -1, -1, -1, -1, 46,
47, 48, 49, -1, 50, 51, -1, 52, -1, -1, -1, 53, 54, -1, 55, -1, -1, 56, -1, 57, -1, 58, 59]
shapes = {}
for feature in tqdm(data['features'], desc=f'Converting {fname}'):
p = feature['properties']
if p['bounds_imcoords']:
id = p['image_id']
file = path / 'train_images' / id
if file.exists(): # 1395.tif missing
try:
box = np.array([int(num) for num in p['bounds_imcoords'].split(",")])
assert box.shape[0] == 4, f'incorrect box shape {box.shape[0]}'
cls = p['type_id']
cls = xview_class2index[int(cls)] # xView class to 0-60
assert 59 >= cls >= 0, f'incorrect class index {cls}'
# Write YOLO label
if id not in shapes:
shapes[id] = Image.open(file).size
box = xyxy2xywhn(box[None].astype(np.float), w=shapes[id][0], h=shapes[id][1], clip=True)
with open((labels / id).with_suffix('.txt'), 'a') as f:
f.write(f"{cls} {' '.join(f'{x:.6f}' for x in box[0])}\n") # write label.txt
except Exception as e:
print(f'WARNING: skipping one label for {file}: {e}')
# Download manually from https://challenge.xviewdataset.org
dir = Path(yaml['path']) # dataset root dir
# urls = ['https://d307kc0mrhucc3.cloudfront.net/train_labels.zip', # train labels
# 'https://d307kc0mrhucc3.cloudfront.net/train_images.zip', # 15G, 847 train images
# 'https://d307kc0mrhucc3.cloudfront.net/val_images.zip'] # 5G, 282 val images (no labels)
# download(urls, dir=dir)
# Convert labels
convert_labels(dir / 'xView_train.geojson')
# Move images
images = Path(dir / 'images')
images.mkdir(parents=True, exist_ok=True)
Path(dir / 'train_images').rename(dir / 'images' / 'train')
Path(dir / 'val_images').rename(dir / 'images' / 'val')
# Split
autosplit(dir / 'images' / 'train')
рдЙрдкрдпреЛрдЧ
640 рдХреЗ рдЫрд╡рд┐ рдЖрдХрд╛рд░ рдХреЗ рд╕рд╛рде 100 рдпреБрдЧреЛрдВ рдХреЗ рд▓рд┐рдП xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдкрд░ рдПрдХ рдореЙрдбрд▓ рдХреЛ рдкреНрд░рд╢рд┐рдХреНрд╖рд┐рдд рдХрд░рдиреЗ рдХреЗ рд▓рд┐рдП, рдЖрдк рдирд┐рдореНрди рдХреЛрдб рд╕реНрдирд┐рдкреЗрдЯ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░ рд╕рдХрддреЗ рд╣реИрдВред рдЙрдкрд▓рдмреНрдз рддрд░реНрдХреЛрдВ рдХреА рд╡реНрдпрд╛рдкрдХ рд╕реВрдЪреА рдХреЗ рд▓рд┐рдП, рдореЙрдбрд▓ рдкреНрд░рд╢рд┐рдХреНрд╖рдг рдкреГрд╖реНрда рджреЗрдЦреЗрдВред
рдЯреНрд░реЗрди рдХрд╛ рдЙрджрд╛рд╣рд░рдг
рдирдореВрдирд╛ рдбреЗрдЯрд╛ рдФрд░ рдПрдиреЛрдЯреЗрд╢рди
xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдореЗрдВ рдЙрдЪреНрдЪ-рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рдЙрдкрдЧреНрд░рд╣ рдЪрд┐рддреНрд░ рд╣реЛрддреЗ рд╣реИрдВ рдЬрд┐рдирдореЗрдВ рдмрд╛рдЙрдВрдбрд┐рдВрдЧ рдмреЙрдХреНрд╕ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░рдХреЗ рдПрдиреЛрдЯреЗрдЯ рдХреА рдЧрдИ рд╡рд╕реНрддреБрдУрдВ рдХрд╛ рдПрдХ рд╡рд┐рд╡рд┐рдз рд╕реЗрдЯ рд╣реЛрддрд╛ рд╣реИред рдпрд╣рд╛рдВ рдбреЗрдЯрд╛рд╕реЗрдЯ рд╕реЗ рдбреЗрдЯрд╛ рдХреЗ рдХреБрдЫ рдЙрджрд╛рд╣рд░рдг рджрд┐рдП рдЧрдП рд╣реИрдВ, рд╕рд╛рде рд╣реА рдЙрдирдХреЗ рд╕рдВрдмрдВрдзрд┐рдд рдПрдиреЛрдЯреЗрд╢рди рдХреЗ рд╕рд╛рде:
- рдУрд╡рд░рд╣реЗрдб рдЗрдореЗрдЬрд░реА: рдпрд╣ рдЫрд╡рд┐ рдУрд╡рд░рд╣реЗрдб рдЗрдореЗрдЬрд░реА рдореЗрдВ рдСрдмреНрдЬреЗрдХреНрдЯ рдбрд┐рдЯреЗрдХреНрд╢рди рдХрд╛ рдПрдХ рдЙрджрд╛рд╣рд░рдг рдкреНрд░рджрд░реНрд╢рд┐рдд рдХрд░рддреА рд╣реИ, рдЬрд╣рд╛рдВ рдСрдмреНрдЬреЗрдХреНрдЯ рдХреЛ рдмрд╛рдЙрдВрдбрд┐рдВрдЧ рдмреЙрдХреНрд╕ рдХреЗ рд╕рд╛рде рдПрдиреЛрдЯреЗрдЯ рдХрд┐рдпрд╛ рдЬрд╛рддрд╛ рд╣реИред рдбреЗрдЯрд╛рд╕реЗрдЯ рдЗрд╕ рдХрд╛рд░реНрдп рдХреЗ рд▓рд┐рдП рдореЙрдбрд▓ рдХреЗ рд╡рд┐рдХрд╛рд╕ рдХреА рд╕реБрд╡рд┐рдзрд╛ рдХреЗ рд▓рд┐рдП рдЙрдЪреНрдЪ-рд░рд┐рдЬрд╝реЙрд▓реНрдпреВрд╢рди рдЙрдкрдЧреНрд░рд╣ рдЪрд┐рддреНрд░ рдкреНрд░рджрд╛рди рдХрд░рддрд╛ рд╣реИред
рдЙрджрд╛рд╣рд░рдг xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдореЗрдВ рдбреЗрдЯрд╛ рдХреА рд╡рд┐рд╡рд┐рдзрддрд╛ рдФрд░ рдЬрдЯрд┐рд▓рддрд╛ рдХреЛ рдкреНрд░рджрд░реНрд╢рд┐рдд рдХрд░рддрд╛ рд╣реИ рдФрд░ рдСрдмреНрдЬреЗрдХреНрдЯ рдбрд┐рдЯреЗрдХреНрд╢рди рдХрд╛рд░реНрдпреЛрдВ рдХреЗ рд▓рд┐рдП рдЙрдЪреНрдЪ-рдЧреБрдгрд╡рддреНрддрд╛ рд╡рд╛рд▓реЗ рдЙрдкрдЧреНрд░рд╣ рдЗрдореЗрдЬрд░реА рдХреЗ рдорд╣рддреНрд╡ рдкрд░ рдкреНрд░рдХрд╛рд╢ рдбрд╛рд▓рддрд╛ рд╣реИред
рдкреНрд░рд╢рдВрд╕рд╛ рдкрддреНрд░ рдФрд░ рдкрд╛рд╡рддреА
рдпрджрд┐ рдЖрдк рдЕрдкрдиреЗ рд╢реЛрдз рдпрд╛ рд╡рд┐рдХрд╛рд╕ рдХрд╛рд░реНрдп рдореЗрдВ xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░рддреЗ рд╣реИрдВ, рддреЛ рдХреГрдкрдпрд╛ рдирд┐рдореНрдирд▓рд┐рдЦрд┐рдд рдкреЗрдкрд░ рдХрд╛ рд╣рд╡рд╛рд▓рд╛ рджреЗрдВ:
@misc{lam2018xview,
title={xView: Objects in Context in Overhead Imagery},
author={Darius Lam and Richard Kuzma and Kevin McGee and Samuel Dooley and Michael Laielli and Matthew Klaric and Yaroslav Bulatov and Brendan McCord},
year={2018},
eprint={1802.07856},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
рд╣рдо рдбрд┐рдлреЗрдВрд╕ рдЗрдиреЛрд╡реЗрд╢рди рдпреВрдирд┐рдЯ (DIU) рдФрд░ xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдХреЗ рд░рдЪрдирд╛рдХрд╛рд░реЛрдВ рдХреЛ рдХрдВрдкреНрдпреВрдЯрд░ рджреГрд╖реНрдЯрд┐ рдЕрдиреБрд╕рдВрдзрд╛рди рд╕рдореБрджрд╛рдп рдореЗрдВ рдЙрдирдХреЗ рдмрд╣реБрдореВрд▓реНрдп рдпреЛрдЧрджрд╛рди рдХреЗ рд▓рд┐рдП рд╕реНрд╡реАрдХрд╛рд░ рдХрд░рдирд╛ рдЪрд╛рд╣рддреЗ рд╣реИрдВред xView рдбреЗрдЯрд╛рд╕реЗрдЯ рдФрд░ рдЗрд╕рдХреЗ рд░рдЪрдирд╛рдХрд╛рд░реЛрдВ рдХреЗ рдмрд╛рд░реЗ рдореЗрдВ рдЕрдзрд┐рдХ рдЬрд╛рдирдХрд╛рд░реА рдХреЗ рд▓рд┐рдП, xView рдбреЗрдЯрд╛рд╕реЗрдЯ рд╡реЗрдмрд╕рд╛рдЗрдЯ рдкрд░ рдЬрд╛рдПрдВред
2023-11-12 рдмрдирд╛рдпрд╛ рдЧрдпрд╛, рдЕрдкрдбреЗрдЯ рдХрд┐рдпрд╛ рдЧрдпрд╛ 2023-11-22
рд▓реЗрдЦрдХ: рдЧреНрд▓реЗрди-рдЬреЛрдЪрд░ (3), рд▓рд╛рдлрд┐рдВрдЧ-рдХреНрдпреВ (1)