物件偵測演算法YOLOv4

YOLO, You look only once 是廣為應用的AI物件偵測演算法，第四版由中研院資訊所廖弘源及王建堯與俄羅斯學者Alexey Bochkovskiy共同研發。

YOLO利用卷積神經網路建立特徵學習的演算法架構，能快速精準的辨認出有興趣的目標。

資料集訓練

為了讓YOLOv4學習衛星影像中的船舶特徵，本實驗使用Kaggle平台上"Airbus Ship Detection Challenge"釋出的影像集。其中的衛星影像由Airbus公司提供，包含SPOT與Pléiades衛星所拍攝的船舶。

訓練集共192,556張影像，每張大小為768x768，影像中的船皆標示了座標，供YOLOv4學習標記內的特徵。

資料預處理及訓練方法

1. 將19萬餘張影像挑出35,000張影像，使船隻的數量在0到15艘之間，並讓數量成常態分布。
2. 將20%的影像設定為Validation set，每訓練一個epoch便以Validation set作為檢驗。
3. 訓練4000 epochs，讓預測值與Validation標記的真值IOU(Intersection over Union)接近7成。

測試影像及預測結果(Airbus test set)

測試影像及預測結果(福衛五號高雄港影像)

結果分析與未來工作

Airbus Ship Detection Challenge Test set有較佳結果，因為影像較為相似。對於福衛影像，辨識小船沒有問題，但大船或亮度低的目標容易Miss。後續嘗試以福衛影像製作訓練集，或可增加福衛影像的辨識效果。本次實驗使用YOLOv4 tiny version，訓練4000 epochs 僅花費不到20分鐘(GPU)，若嘗試網路複雜度較高的YOLOv4 original version或更新版本可能再提升預測成效。

參考資料

https://www.researchgate.net/publication/357116883_Ship_Detection_in_Optical_Remote_Sensing_Images_Using_YOLOv4_and_Tiny_YOLOv4

https://github.com/debasis-dotcom/Ship-Detection-from-Satellite-Images-using-YOLOV4

https://www.kaggle.com/c/airbus-ship-detection

https://arxiv.org/abs/2004.10934