Object counting, whose aim is to estimate the number of objects from a given image, is an important and challenging computation task. Significant efforts have been devoted to addressing this problem and achieved great progress, yet counting the number of ground objects from remote sensing images is barely studied. In this paper, we are interested in counting dense objects from remote sensing images. Compared with object counting in a natural scene, this task is challenging in the following factors: large scale variation, complex cluttered background, and orientation arbitrariness. More importantly, the scarcity of data severely limits the development of research in this field. To address these issues, we first construct a large-scale object counting dataset with remote sensing images, which contains four important geographic objects: buildings, crowded ships in harbors, large-vehicles and small-vehicles in parking lots. We then benchmark the dataset by designing a novel neural network that can generate a density map of an input image. The proposed network consists of three parts namely attention module, scale pyramid module and deformable convolution module to attack the aforementioned challenging factors. Extensive experiments are performed on the proposed dataset and one crowd counting datset, which demonstrate the challenges of the proposed dataset and the superiority and effectiveness of our method compared with state-of-the-art methods.

中文翻译：

---

从天空计数：用于遥感对象计数的大规模数据集和基准方法

对象计数的目的是估计给定图像中的对象数量，是一项重要且具有挑战性的计算任务。为解决这个问题付出了大量的努力并取得了很大的进展，但几乎没有研究从遥感图像中计算地物的数量。在本文中，我们对从遥感图像中计算密集物体感兴趣。与自然场景中的物体计数相比，该任务在以下方面具有挑战性：大尺度变化、复杂杂乱背景和方向任意性。更重要的是，数据的稀缺性严重限制了该领域研究的发展。为了解决这些问题，我们首先构建了一个包含遥感图像的大规模对象计数数据集，其中包含四个重要的地理对象：建筑物、港口拥挤的船只，停车场的大型车辆和小型车辆。然后，我们通过设计一个可以生成输入图像的密度图的新型神经网络来对数据集进行基准测试。所提出的网络由三部分组成，即注意力模块、尺度金字塔模块和可变形卷积模块，以应对上述挑战因素。对所提出的数据集和一个人群计数数据集进行了大量实验，这证明了所提出的数据集的挑战以及我们的方法与最先进的方法相比的优越性和有效性。所提出的网络由三部分组成，即注意力模块、尺度金字塔模块和可变形卷积模块，以应对上述挑战因素。对所提出的数据集和一个人群计数数据集进行了大量实验，这证明了所提出的数据集的挑战以及我们的方法与最先进的方法相比的优越性和有效性。所提出的网络由三部分组成，即注意力模块、尺度金字塔模块和可变形卷积模块，以应对上述挑战因素。对所提出的数据集和一个人群计数数据集进行了大量实验，这证明了所提出的数据集的挑战以及我们的方法与最先进的方法相比的优越性和有效性。