摘要
目标检测是计算机视觉任务中一个具有挑战性的方向。尽管在过去十年中目标检测在自然场景中有了重大突破，但是在航拍图像的进展是十分缓慢的，这不仅是因为地球表面相同类别物体的规模、方向和形状有着巨大的差异，而且还因为缺少航拍影像中目标对象的标注信息。为了推进“Earth Vision”（也称为“地球观测和遥感”）中目标检测的研究，我们提出了用于航拍影像中用于目标检测的大规模数据集（DOTA）。我们从不同的传感器和平台收集了2806个航拍影像，每张图像的大小约为4000*4000像素，并包含了各种不同比例、方向和形状的目标对象。航拍图像专家将这些DOTA数据集图像中常见的15种对象类别进行标注。完全注释之后的DOTA数据集图像包含188282个实例，每个实例都由四点确定的任意四边形（8 d.o.f.）标记。为了建立地球视觉中目标检测的基准，我们评估了DOTA上最新的目标检测算法。实验表明，DOTA能够代表真实的地球视觉应用，并具有一定的挑战性。
1. 引言
Earth Vision中的目标检测是指在将地球表面感兴趣的物体（例如车辆、飞机场）定位并预测他们的类别。与传统的目标检测数据集相反，在传统的目标检测数据集中，物体的位置通常由于重力而以一种向上的姿态出现，航拍图像中物体的实例通常以任意状态出现，如图1所示，这取决于航拍视角的关系。
由于计算机视觉领域的最新进展以及Earth Vision应用的高要求，有大量的研究者已经开始围绕航拍影像中的目标检测开展研究，这些方法中的大多数尝试将原有的目标检测算法应用在航拍影像中。最近，在基于深度学习的目标检测算法取得巨大成功的鼓舞下，Earth Vision的研究者们基于大规模数据集（ImageNet和MSCOCO数据集）预训练模型上进行微调网络的方法，使之在航拍数据集检测中有所改善。
尽管这种基于微调的方法是可行的，但是如图1所示，航拍图像中的目标检测与常规的目标检测有着以下方面的区别：
- 航拍影像中实例对象的比例变化大。这不仅仅因为传感器的空间分辨率，还因为同一种类别中不同的物体大小也存在变化。
- 如图1所示，许多小物体实例在航拍图像上是聚集在一起的，比如海港中的船只和停车场里的车辆。此外，航拍图像中物体出现的频率是十分不平衡的，例如有些小尺寸的图像（比如10001000px）中包含了1900个实例，而一些大尺寸的图像（比如40004000px）中可能仅包含少量的小实例。
- 航拍影像中的物体常常以各种姿态出现，也有一些横纵比非常大的实例，比如桥梁。
除了这些明显的困难以外，在Earth Vision中目标检测的研究还存在众所周知的数据集偏差问题的挑战，即整个数据集的推广性很低。为了减轻这种偏差，对数据集进行标注时应注意实际应用情况。
因此，自然场景中学习到的目标检测器并不适用于航拍影像也就不足为奇了。但是，现有的用于航拍影像中的目标检测的带注释框的数据集（例如UCAS-AOD和NWPU VHR-10数据集）尝试在理想条件（清晰的背景以及不存在密集分布的实例）下使用数据集，这样并不能充分反映复杂问题。
为了推进Earth Vision中目标检测的研究，本文提出了一种用于航拍影像中目标检测的大型数据集（DOTA）。我们从不同的传感器和平台收集了2806个航拍图像，每个图像的大小约为40004000px，其中包含不同比例、方向和形状的对象。这些DOTA数据集中的图像由航空图像解释专家针对15种常见的目标进行注释，完全注释完的DOTA数据集包含188282个实例，每个实例都由一个定向的边界框标记，而不是像传统的目标检测常用的对象注释的轴对齐的边界框一样。这项工作的主要贡献是： - 我们认为，DOTA是Earth Vision种最大的多类别带标注信息的目标检测数据集，它可以用于评价航拍图像的目标检测器。我们将会在规模和范围上继续更新DOTA数据集，来适应不断变化的现实世界条件。
-
我们在DOTA数据集上使用最先进的目标检测算法进行了实验，可以作为未来算法改进的基准。
图一：DOTA数据集中的一个例子.（a）DOTA数据集中一个典型的例子:一张图片中含有多个类别的不同实例.（b）图中存在各种各样大小以及方向的实例.（c）（d）分别展示了稀疏的实例以及聚集的实例，在这里，我们展示了DOTA数据集15种类别中的4种。从原图像a种裁剪b,c,d图中所示的示例。直方图（e）（f）表示出DOTA数据集中实例大小和位置的分布情况
为了推进Earth Vision上目标检测的研究，DOTA也将会在计算机视觉领域中传统的目标检测提出感兴趣的算法问题。
2. 需求动机
近年来，在一些较为依赖数据的研究中，数据集扮演着十分重要的角色，像MSCOCO这样的大型数据集在促进目标检测和图像捕捉研究方面发挥了重要的作用。当涉及到分类任务和场景识别任务时，ImageNet以及Places也很重要。
但是，在航拍目标检测中，缺少像MSCOCO和ImageNet这样在图像数量和详细注释方面的数据集，特别是对于开发基于深度学习的算法时，这是Earth Vision研究的主要障碍之一。航拍目标检测对于车辆计数，远程目标跟踪和无人驾驶领域非常有用。因此，创建一个能实际应用的大规模数据集并提出富有挑战性的航拍目标检测基准对于促进该领域的研究十分必要。
我们认为，一个好的航拍影像数据集应该具有以下四个属性：
1）大量的图片；2）每个类别都有很多实例；3）合适角度的目标注释框；4）许多不同类别的对象，这使得数据集能够应用到实际中。然而目前所公开的航拍数据集存在以下缺点：图像数据和类别不足，缺少更精细的注释以及分辨率过低。而且，它们缺少复杂性并不能足以应用再实际现实世界中。
| 数据集 | 注释方式 | 主要类别 | 实例个数 | 图片数量 | 图片大小 |
|---|---|---|---|---|---|
| NWPU VHR-10 | 水平注释框 | 10 | 3651 | 800 | ~1000 |
| SZTAKI-INRIA | 定向注释框 | 1 | 665 | 9 | ~800 |
| TAS | 水平注释框 | 1 | 1399 | 30 | 792 |
| COWC | 中心点注释 | 1 | 32716 | 53 | 2000∼19,000 |
| VEDAI | 定向注释框 | 3 | 2950 | 1268 | 512, 1024 |
| UCAS-AOD | 定向注释框 | 2 | 14596 | 1510 | ∼1000 |
| HRSC2016 | 定向注释框 | 1 | 2976 | 1061 | ∼1100 |
| 3K Vehicle Detection | 定向注释框 | 2 | 14235 | 20 | 5616 |
| DOTA | oriented BB | 14 | 188,282 | 2806 | 800∼4000 |
表1：航空图像中DOTA数据集和其他目标检测数据集的比较。BB是边界框的缩写。One-dot是指只注释所提供实例的中心坐标。更细分的类别则不考虑在内。例如，DOTA由15个不同的类别组成，但实际上只有14类，因为大型车辆和小型车辆都属于车辆目录下的子目录。
像TAS，VEDAI，COWC等数据集只关注车辆，UCAS-AOD包含汽车和飞机，HRSC2016只包含船只，虽然有标注细致的分类信息。但所有这些数据集在类别的数量上都是少的，这对它们在复杂场景的泛化适应上有所约束。作为对比，NWPU VHR-10数据集由10种类型的物体组成，而它的总实例数大概只有3000。关于这些已存在的数据集的具体比较细节在表1中给出。我们在第四部分可以看到，对比这些航拍数据集，DOTA具有更庞大的目标实例数目、随意但是均匀的方向，多样性的分类目录和复杂的航拍场景。此外，DOTA数据集中的场景与真实场景更加一致，所以DOTA数据集对于真实世界应用开发来说是更有帮助的。
当涉及到普通对象数据集时，ImageNet和MSCOCO因其具有大量的图像、更多的类别和详细的注释而被大多数研究人员所选择。在所有对象检测数据集中，ImageNet的图像数量最多。但是每个图像的平均实例数远少于MSCOCO和我们的DOTA数据集，而且必须拥有干净的背景和精心选择的场景带来了局限性，DOTA数据集中的图像包含大量的对象实例，其中一些图片具有1000多个实例。 PASCAL VOC数据集在每个图像和场景的实例上与ImageNet相似，但是图像数量不足使得它不适合处理大多数检测需求。我们的DOTA数据集在实例编号和场景类型方面类似于MSCOCO，但是DOTA的类别不如MSCOCO那样多，因为可以在航拍影像中能清晰看到的对象时非常有限的。
此外，在上文提到的大规模普遍目标检测基准中DOTA数据集的特别之处在于使用OBB方法注释，OBB可以很好的区分目标物体的离散与聚集，在第三部分详细描述了使用OBB注释目标物体的好处。在表2中对DOTA,PASCAL VOC,ImageNet and MSCOCO等数据集的比较中给出不同点。
| 数据集 | 类别数 | 图像数量 | BBox数量 | 平均边界框数量 |
|---|---|---|---|---|
| PASCAL VOC(07++12) | 20 | 21503 | 62199 | 2.89 |
| MSCOCO(2014 trainval) | 80 | 123287 | 886266 | 7.19 |
| ImageNet(2017train) | 200 | 349319 | 478806 | 1.37 |
| DOTA | 15 | 2806 | 188282 | 67.10 |
表2：DOTA数据集与其他一般目标检测数据集的比较。Bbox是边界框的缩写，Avg.BBox quantity表示每个图像的平均边界框数量。可以看到在DOTA中，每个图像的平均实例数，DOTA极大地超越了其他数据集。
3. DOTA数据集注释
3.1 图像的收集
在航拍数据集中由于存在多种多样的传感器被使用的情况，导致数据集产生偏差。为了消除这些偏差，我们数据集中的图片是由多分辨率多传感器和多平台收集而来的，如谷歌地球。为了提高数据的多样性，我们收集的图片的城市是由图像判读方面的专家来挑选的。在挑选过程中，会记录下精确的地理坐标，来捕捉图片使得确保没有重复的图像。
3.2 分类
我们的DOTA数据集注释选择了15种类别，包括飞机、船只、储蓄罐、棒球内场、网球场、篮球场、田径场、海港、桥、大型车辆、小型车辆、直升飞机、英式足球场、环状交叉路口、游泳池。
标注类别是由图像判读方面的庄家根据目标物体的普遍性和现实世界中存在的价值来挑选的，前十个类别在已有的数据集中很普遍，我们保留了下来，除了将交通工具的汽车分为大型和小型，因为两种类型的汽车在航拍图像上区别很大。其他的类别主要是由于现实场景的应用。我们选择直升机是考虑到航拍图像中运动物体具有重要的意义，环状交叉路口被选中是因为它在巷道分析中具有重要意义。
要不要把“stuff”作为一类是值得探讨的，在SUN数据集中，一般说来没有明确的定义说明什么是stuff一类，比如海港、机场、停车场。但是，它们提供的语义信息是对检测有帮助的。我们只采纳了海港分类，因为它的边界容易定义，并且在我们的图片源信息中有丰富的实例。最后拓展的分类是足球场。
在表2我们比较了DOTA和NWPU VHR_10，后者在先前存在的航拍图像目标检测数据集中有更多的分类数。而且DOTA在目录分类数目和每一类下的实例数目都远超过了NWPU VHR-10。
3.3 注释方法
我们考虑了许多不同的注释方法。在计算机视觉领域，许多视觉概念（比如区域说明，目标，属性，关系）都可以被一个注释边框说明，对边框的一个普遍描述一般采用，其中表示位置，是边框的宽和高度。
没有一定方向的物体可以采用这种注释方式充分注释。然而，在航拍影像中的文本和物体以这种方式标记的边界框不能精确或紧凑地贴合物体的轮廓。如图3（c）所示的极端但实际的普遍存在情况和图（d）比起来，两个边界框之间的重叠是如此之大以至于最先进的对象检测方法也不能区分它们。为了解决这一问题，我们需要一种其他更适合面向这种有一定方向物体的注释方法。
一个可选选项是采用基于的边界框，它被应用于一些文本检测基准，即，其中表示从边界框与水平方向的夹角度。但这种方法的缺点是依旧不能贴合围绕住那些不同部分之间可能有较大变形的物体。考虑到航拍图像中物体的复杂场景和物体的各种方位，我们需要放弃这种方法选择其他更灵活易懂的方式。一种可供选择的方法是使用任意四边形边界框，它可以被描述为：，其中表示图像中定向边界框的顶点的位置，顶点按顺时针顺序排列，这种方法在定向场景的文本检测中广泛使用。我们受到这些研究的启发，在注释物体时使用这种任意四边形边界框的方式。
为了进行更具体的注释，如图3所示，我们强调了第一点的重要性，该点通常表示对象的“首部”。对于直升机，大型车辆，小型车辆，港口，棒球钻石，轮船和飞机等类别，我们选择与之丰富的潜在用途有关的点作为起始点。对于足球场，游泳池，桥梁，地面田径场，篮球场和网球场类别来说，没有视觉上的线索来确定第一个点，因此我们通常选择左上角的点作为起点。
我们在图4中展示了DOTA数据集中一些已经注释过的例子(不是全部的初始图像)
值得注意的是，Papadopoulos等人探索了一种可选择的注释方法并验证了它的效率和鲁棒性。我们确信，只要有更多精心设计的注释方法，这种方法可以变得更加准确更具鲁棒性。并且，可选择的注释协议多也会促进有效图像注释众包活动。
3.4 数据集拆分
为了确保训练数据和测试数据分布大致相同，我们随机选择原始图像的一半作为训练集，将1/6作为验证集，将1/3作为测试集。 我们将为训练集和验证集公开提供所有带有原始事实的原始图像，但不会为测试集提供。 为了进行测试，我们目前正在构建评估服务。
4. DOTA数据集的性质
4.1 图片大小
与其他图像数据集相比，航拍图像一般尺寸很大。我们的数据集中图像的原始大小约为800×800到4000×4000之间不等，而常规数据集中的大多数图像（例如PASCAL-VOC和MSCOCO）则不超过1000×1000。我们在原始完整图像上进标注，而不将其分割成块，以避免将单个实例分割成不同碎片的情况。
4.2 实例的不同方向
如图1（f）所示，我们的数据集在不同方向的实例中达到了比较好的平衡，这对于网络检测器的鲁棒性提升有很大帮助。此外，我们的数据集更接近真实场景，因为在现实世界中通常会看到各种方向的对象。
4.3 空间分辨率
我们还为数据集中的每幅图像提供了空间分辨率，这可以推断出实例的实际大小。空间分辨率对检测任务的重要性有两个方面。首先，它使模型对于相同类别的各种对象更具适应性和鲁棒性。众所周知，从远处看物体会显得更小。具有不同大小的同一对象会给模型造成麻烦并损害分类。但是，通过提供分辨率信息而不是对象的大小，模型可以更加关注形状。其次，可以进行进行更精细的分类。例如，将一艘小船与一艘大型军舰区分开是很简单的。
空间分辨率还可以用于过滤数据集中标记错误的离群值，因为大多数类别的类内实际大小变化是有限的。在较小的空间分辨率范围内，选择与同类物体尺寸相差较大的物体，可以发现离群值(Outliers)。
4.4 类别的各种像素大小
按照[33]中的规定，我们将水平边框的高度（简称为像素大小）称为实例大小的度量。我们根据水平边界框的高度将数据集中的所有实例分为三个部分：较小的范围为10到50，中间的范围为50到300，较大的范围为300以上。图3说明了不同数据集中的三个实例拆分的百分比。显然，PASCAL VOC数据集，NWPU VHR-10数据集和DLR 3K Munich Vehicle数据集分别由中间实例，中间实例和较小实例主导。但是，我们在小实例和中间实例之间实现了良好的平衡，这与现实世界场景更加相似，因此有助于在实际应用中更好地捕获不同大小的对象。
值得注意的是，像素大小在不同类别中有所不同。例如，车辆可能小到30像素，但是桥梁可能大到1200像素，比车辆大40倍。不同类别实例之间的巨大差异使检测任务更具挑战性，因为模型必须足够灵活以处理极小的物体。
| Dataset | 10-50 pixel | 50-300 pixel | above 300 pixel |
|---|---|---|---|
| PASCAL VOC | 0.14 | 0.61 | 0.25 |
| MSCOCO | 0.43 | 0.49 | 0.08 |
| NWPU VHR-10 | 0.15 | 0.83 | 0.02 |
| DLR 3K Munich Vehicle | 0.93 | 0.07 | 0 |
| DOTA | 0.57 | 0.41 | 0.02 |
表3：航拍图像和自然图像中某些数据集的实例大小分布比较
4.5 实例的各种纵横比
对于基于锚的模型，例如Faster RCNN和YOLO V2，长宽比是至关重要的因素。我们对数据集中所有实例的两种长宽比进行计数，以提供更好的模型设计参考：1）最低程度受限于水平边界框的横纵、2）原始四边形边框的长宽比。图5说明了我们数据集中实例的两种纵横比分布类型，我们可以看到实例的纵横比差异很大。此外，DOTA数据集中有许多横纵比较大的实例。
4.6 图像中各种实例密度
航拍图像中常常包括数以千计的实例，它们完全与自然场景图像不同。例如IMANEET数据集中每张图像平均包含2个类别和2个实例，MSCCO共有3.5个类别、7.7个实例。如图5所示我们的DOTA数据集更丰富，每个图像的实例可以高达2000个。
在一幅图像中有如此多的实例，不可避免地会看到很密集的实例聚集在某个区域。在COCO数据集中，实例并不是逐个注释的，因为图像中的遮挡使之难以将实例与其相邻实例区分开来。在这些情况下，实例组被标记为一个属性名为“crowd”的片段。然而，这种情况不会在航拍图像下出现，因为从航拍视角来看，很少有遮挡物。因此，我们可以在拥挤的实例场景中将实例一个个分别标注。图4展示了聚集着很多实例的一个例子。在这种情况下检测物体对现有的检测方法提出了巨大的挑战。
5. 评价
我们在DOTA上评估了最新的物体检测方法。对于水平物体检测，我们谨慎地选择Faster R-CNN，R-FCN，YOLO V2和SSD作为我们的基准测试算法，因为它们在一般物体检测中具有出色的性能。对于定向对象检测，我们修改了原始的Faster R-CNN算法，以便可以预测正确定向的边界框，表示为。
值得注意的是，R-FCN和Faster R-CNN的骨干网络分别ResNet-101，用于SSD的是Inception V2，YOLO V2用的是GoogLeNet 。
5.1 任务
为了全面评估基于深度学习的DOTA检测方法的现状，我们提出了两个任务，即在水平边界框（简称HBB）上进行检测以及在定向边界框（简称OBB）上进行检测。更具体地说，无论采用何种方法训练，我们都根据两种不同的基础事实（HBB或OBB）评估这些方法。
5.2 评估原型
DOTA的图像太大，无法直接发送到基于CNN的探测器。因此，我们将原始图像裁剪为一系列1024*1024的面片，步幅设置为512。注意在裁剪过程中，完整的物体可能会被切成两部分。为了方便起见，我们将原始对象的面积为，划分部分的面积为然后计算：
最终我们将U<0.7的部分标记为“difficult”，其他的标记和原始注释一样。对于那些新生成的部分的顶点我们需要保证它们可以被一个具有4个顺时针排列顶点的定向边界框用一种合适的方法来描述。
在测试阶段，我们首先将裁剪后的面片送到一个临时的结果中，然后将结果合并在一起，来重构原始图像的检测，最后我们对预测结果使用NMS(非极大值抑制算法)。我们设置NMS的参数阈值对于水平边界框（简称HBB）将阈值设置为0.3，定向的边界框阈值设置为0.1。通过使用这种方式，我们在基于CNN的模型上训练和测试了DOTA数据集。
对于评价的度量，我们使用和PSASCAL VOC一样的mAP计算方式。
| YOLO V2 | R-FCN | FR-H | SSD | |
|---|---|---|---|---|
| 飞机 | 76.9 | 81.01 | 80.32 | 57.85 |
| 棒球棱形 | 33.87 | 58.96 | 77.55 | 32.79 |
| 桥 | 22.733 | 1.6 | 32.86 | 16.14 |
| 地面跑道 | 34.88 | 58.97 | 68.13 | 18.67 |
| 小型车辆 | 38.73 | 49.77 | 53.66 | 0.05 |
| 大型车辆 | 32.02 | 45.04 | 52.49 | 36.93 |
| 轮船 | 52.37 | 49.29 | 50.04 | 24.74 |
| 网球场 | 61.65 | 68.99 | 90.41 | 81.16 |
| 篮球场 | 48.54 | 52.07 | 75.05 | 25.1 |
| 集装箱 | 33.91 | 67.42 | 59.59 | 47.47 |
| 足球场 | 29.27 | 41.83 | 57 | 11.22 |
| 环状交叉路口 | 36.83 | 51.44 | 49.81 | 31.53 |
| 海港 | 36.44 | 45.15 | 61.69 | 14.12 |
| 游泳池 | 38.26 | 53.3 | 56.46 | 9.09 |
| 直升机 | 11.61 | 33.89 | 41.85 | 0 |
| 平均 | 39.2 | 52.58 | 60.46 | 29.86 |
表4：用HBB基本事实评估的基线模型的数值结果（AP）。FR-H表示在水平边界框上训练的Faster R-CNN 。 FR-O表示在定向边界框上训练的Faster R-CNN 。
| YOLO V2 | R-FCN | FR-H | SSD | FR-O | |
|---|---|---|---|---|---|
| 飞机 | 52.75 | 39.57 | 41.06 | 49.74 | 79.42 |
| 棒球棱形 | 24.24 | 46.13 | 24.31 | 64.22 | 77.13 |
| 桥 | 10.6 | 3.03 | 4.55 | 9.38 | 17.7 |
| 地面跑道 | 35.5 | 38.46 | 17.1 | 56.66 | 64.05 |
| 小型车辆 | 14.36 | 9.1 | 15.93 | 19.18 | 35.3 |
| 大型车辆 | 2.41 | 3.66 | 7.72 | 14.17 | 38.02 |
| 轮船 | 7.37 | 7.45 | 13.21 | 9.51 | 37.16 |
| 网球场 | 51.79 | 41.97 | 39.96 | 61.61 | 89.41 |
| 篮球场 | 43.98 | 50.43 | 12.05 | 65.47 | 69.64 |
| 集装箱 | 31.35 | 66.98 | 46.88 | 57.52 | 59.28 |
| 足球场 | 22.3 | 40.34 | 9.09 | 51.36 | 50.3 |
| 环状交叉路口 | 36.68 | 51.28 | 30.82 | 49.41 | 52.91 |
| 海港 | 14.61 | 11.14 | 1.36 | 20.8 | 47.89 |
| 游泳池 | 22.55 | 35.59 | 3.5 | 45.84 | 47.4 |
| 直升机 | 11.89 | 17.45 | 0 | 24.38 | 46.3 |
| 平均 | 25.492 | 30.84 | 17.84 | 39.95 | 54.13 |
表5：用OBB真实值评估的基线模型的数值结果（AP）。短名称的定义与“选项卡”中描述的相同。如表4所示只有FR-O 采用OBB训练。
5.3 水平边界框的基线
HBB实验的ground truth 是通过在原始的已标注的边界框上计算轴对称边界框产生的，为了公平起见，我们将实验的配置以及超参数设置为与文章[4,16,25,26]一致。
在表4中给出了HBB实验的预测结果，我们注意到SSD上的结果比其他模型低很多。我们怀疑可能是因为SSD数据集数据增长策略中的随意裁剪操作，这种操作在普通的目标检测中有用，但是在航拍图像目标检测的大规模小实例上作用有所降低。实验结果也进一步表明了航拍图像和普通目标图像检测在实例大小上的巨大差别。
5.4 定向边界框的基线
OBB的预测比较困难，因为现有的目标检测方法并非针对定向对象而设计。因此，我们依据准确性和效率选择Faster R-CNN作为基础框架，然后对其进行修改使之能预测定向的边界框。
由RPN（候选区域生成网络）产生的RoIs（兴趣区域）是可以被表示为的矩形框，更为详尽的解释是。在R-CNN程序中，每个RoI都附加有一个ground truth定向边界框写作:，然后R-CNN的输出目标由以下等式计算:
其中。
其他配置和超参数设置保持与Faster R-CNN中所述相同。数值结果显示在表5中。为了与我们为OBB实施的Faster R-CNN进行比较，我们评估了OBB地面实况在HBB上训练的YOLO V2，R-FCN，SSD和Faster R-CNN。如表5所示，在HBB上训练的那些方法的结果比在OBB上训练的Faster R-CNN的结果低得多，这表明对于空中场景中的定向目标检测，相应地调整这些方法可能会得到更好的结果。
5.5 实验分析
当我们分析表4中呈现的数据结果时，小型汽车，大型汽车，船只的分类结果不尽人意，因为它们的尺寸较小，并且在航拍图像中位置十分密集。然而大型的离散物体如飞机，游泳池、网球场等，表现出的效果较好。
在图6中我们比较了HBB和OBB两种检测方式的结果。在图6(a)和6(b)中表示的紧密图像中，HBB实验的定位精度要比OBB实验差的多，并且许多结果受到先前工作的限制。所以OBB回归是定向物体检测的一个正确方式，并且可以被真正在实际中应用。在图6(c)中，使用OBB来标注纵横比较大的物体（比如桥和海港），对于现在的检测器来说很难做回归。但是在HBB方法中，这些物体通常有着较为普通的纵横比，因此结果如图6(d)看起来比OBB好很多。但是在一些极度拥挤的场景下，比如图6(e)和6(f)，HBB和OBB的结果并不尽如人意，表明了现阶段检测器具有一定的缺陷。
6. 数据集交叉验证
交叉数据集验证是数据集泛化能力的一个评价方式。我们选择UCAS-AOD数据集来做交叉数据集泛化，因为它与其他航空物体检测数据集相比有着更大的数据量。因为没有UCAS-AOD数据集的官方划分方式，于是我们随机选择1110个进行训练和400个进行测试。选择YOLO V2作为所有测试实验的检测器，并且将所有的ground truth使用HBB标注。将UCAS-AOD数据集中原始图片大小改为960*544作为输入的图片大小，其余的配置不改变。
结果显示在表6中，对于YOLOv2-A模型而言两个数据集之间的性能差异分别为35.8和15.6。这表明DOTA极大地覆盖了UCAS-AOD，并且具有更多的模式和特性，而UCAS-AOD则不具备这种特性。两种模型在DOTA上的结果都很低，这表明DOTA更具挑战性。
7. 结论
我们建立了一个大型数据集，用于航拍图像中进行定向物体检测，这个数据集比这个领域中所有现有的数据集都要大。 与一般对象检测基准相反，我们使用定向边界框标注大量分布良好的定向物体。 我们猜测这个数据集是具有挑战性的，并且非常类似于自然的航拍场景，更适合实际应用。我们还为航拍图像物体检测建立了基准，并展示了通过修改主流检测算法生成定向边界框的可行性。
这个数据集在大图片中检测密集排列的小实例和具有任意方向的超大实例都将特别有意义且具有挑战性。我们相信DOTA不仅会推动Earth Vision中物体检测算法的发展，而且还会对计算机视觉中的一般物体检测提出有趣的问题。