Nov, 2017

学习可旋转边界框的旋转不变检测器

PDF
TL;DR提出了一种新的检测方法，应用了新定义的可旋转边界框（RBox），该方法可以有效地处理目标物体方向角任意的情况，并可以通过正确学习物体的正确方向角来实现旋转不变性。与基于传统边界框的方法相比，DRBox 在检测汽车、船舶和飞机的卫星图像方面表现更好，并且对输入图像和目标物体进行旋转更加稳健且能够正确输出其方向角，从而有助于高效定位多角度目标。
arbitrarily rotated objectsrotatable bounding boxdrboxsatellite imagesorientation angles
发现论文，激发创造
  • 无需旋转注释的旋转检测学习知识融合

    本文提出一种基于共训练的方法，通过在目标数据集上进行更便宜的轴对齐注释，预测精确的旋转框，解决传统旋转检测器的旋转边界框注释耗时的问题。通过在跨域数据集上的知识转移，该方法可显著提高较弱注释数据集的学习效果，在各种目标数据集上表现良好。

    Apr, 2023

  • H2RBox：水平框注释是实现方向目标检测所需的全部

    本文提出了一种基于水平边界框注释的定向目标检测方法 H2RBox，利用弱监督和自监督学习进行训练，可以在复杂场景中更稳健地检测密集目标和离群值，并且与使用旋转框训练的方法在速度和性能方面相差无几。

    Oct, 2022

  • 将旋转物体检测为高斯分布及其三维泛化

    本文提出用高斯分布模型来检测旋转物体，通过使用 Kullback-Leibler 分布测度作为新的回归损失函数，能够有效提高检测性能，同时提出一种高效的基于高斯度量的标签分配策略。实验结果表明，这种方法在二维和三维图像中的性能优于其他方法。

    Sep, 2022

  • 利用盒状边界感知向量进行航拍图像中的目标定向检测

    提出了一种针对航拍图像中目标识别的方法，使用基于关键点的检测器检测目标的中心点，进而回归边界感知向量以捕获定向边界框，通过旋转边界框分类实现在所有方向上的目标检测，并通过实验证明优于基线方法，与现有方法相比具有竞争优势。

    Aug, 2020

  • R3Det: 用于旋转目标的特征细化的改进单阶段检测器

    本文提出了一种端到端的精调式单阶段旋转物体检测器，通过从粗粒度到细粒度的渐进式回归方法来快速准确检测多角度物体，并设计了特征细化模块和近似 SkewIoU 损失函数以提高检测精度。

    Aug, 2019

  • 目标检测中的旋转不变性

    本文探讨了原先在物体检测中使用的最大框方法会导致误差较大，提出了一种新的椭圆形框方法来增强模型对旋转的不变性。同时，引入旋转不确定性损失，使模型能够适应标签的不确定性，并通过实验验证了该方法在几个不同的数据集上能够显著提高模型的旋转不变性。

    Sep, 2021

  • SCRDet: 面向小型、混杂和旋转目标的更为强健的检测

    本文提出一种新颖的旋转多分类目标检测器 SCRDet，旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络，以及监督像素注意力网络和通道注意力网络，来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。

    Nov, 2018

  • 旋转敏感回归用于定向场景文本检测

    本文提出了一种名为旋转敏感回归检测器（RRD）的方法，旨在解决多方向文本探测器中存在的分类问题和面向文本方向的定位问题不相容的问题。该方法通过两个不同设计的网络分支提取具有不同特征的特征，具体地，通过旋转卷积过滤器提取旋转敏感特征的回归分支，通过池化旋转敏感特征提取旋转不变特征的分类分支。该方法在三个面向文本基准数据集上实现了最先进的性能，包括 ICDAR 2015、MSRA-TD500、RCTW-17 和 COCO-Text。并且在船舶收集数据集上对定位面向对象也取得了显著的进展，显示了该方法在面向对象检测方面的普适性。

    Mar, 2018

  • DARDet：一种用于航拍图像中稠密无锚点旋转物体检测的算法

    本文提出了一种基于密集无锚点的旋转目标检测器 (DARDet)，直接预测特征映射中每个前景像素的旋转框的五个参数，同时设计了一个新的对齐卷积模块来提取对齐的特征，并引入 PIoU loss 进行精确和稳定的回归。在三个常用的航空目标数据集 (DOTA，HRSC2016 和 UCAS-AOD) 上取得了最先进的性能，同时保持高效率。

    Oct, 2021

  • 通过表示不变损失优化任意方向物体检测

    本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和场景文本数据集上的实验结果表明该方法具有一致的显著改进。

    Mar, 2021