Ein genaues Zählen von Fahrzeugen in Luftbildern basierend auf Faltungsneuralen Netzen

Diese Arbeit stellt ein einfaches und effektives Single-Shot-Detektor-Modell zur Erkennung und Zählung von Fahrzeugen in Luftbildern vor. Das vorgeschlagene Modell, das als Heatmap-Learner-Convolutional-Neural-Network (HLCNN) bezeichnet wird, dient zur Vorhersage der Heatmap von Ziel-Fahrzeug-Instanzen. Um die Heatmap der Ziel-Fahrzeuge zu lernen, wurde die CNN-Architektur durch die Hinzufügung von drei konvolutionellen Schichten als Anpassungsschichten anstelle vollständig verbundener Schichten verbessert. Als Backbone-Convolutional-Neural-Network wird VGG-16 im vorgeschlagenen Modell verwendet. Die vorgeschlagene Methode erzielt erfolgreich die Zählung von Fahrzeugen und detektiert präzise deren Zentren. Experimente an zwei unterschiedlichen Fahrzeug-Datensätzen (PUCPR+ und CARPK) zeigen, dass die vorgeschlagene Methode im Vergleich zu bestehenden Ansätzen eine state-of-the-art-Leistung bei der Zählung und Lokalisierung erzielt. Zudem wurden Experimente durchgeführt, um den Einfluss von Datenaugmentation und Batch-Normalisierung auf die Erfolgsrate der vorgeschlagenen Methode zu untersuchen. Der Quellcode und die Daten werden hier verfügbar gemacht: [https://www.github.com/ekilic/Heatmap-Learner-CNN-for-Object-Counting].