SCRDet: 面向小型、混杂和旋转目标的更为强健的检测
本文介绍了一个名为 SCRDet++ 的目标检测算法,使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果,并通过实验验证了其在多个数据集上的有效性。同时,本文还发布了一个新的交通信号灯数据集 S2TLD,包含 5,786 张图像和 14,130 个信号灯实例。
Apr, 2020
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
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
本文提出了一种旋转等变探测器(ReDet),它可以准确地预测方向并且具有巨大的模型尺寸减小,同时在 RoI 对齐上具有旋转不变性。在多个具有挑战性的航空影像数据集上,与以前的最佳结果相比,ReDet 的实验结果更好,同时可以降低 60%的参数(313 Mb 与 121 Mb)。
Mar, 2021
本文提出了一种新方法,即一个新的联合图像级联和特征金字塔网络,用于在遥感图像中提取多尺度的强和弱语义特征,并进行定向边界框的检测和旋转非极大值抑制,提高了模型的性能。同时,该模型还具有对图像和对象尺度和方向的鲁棒性,可在多类物体检测应用程序中部署。
Jul, 2018
本文提出了一种将角度预测任务从回归问题转变为分类问题的方法,并使用设计的 “圆滑标签” 和 “密集编码标签” 来解决周期性和编码长度过大的问题,在三个大规模公共数据集上进行了实验验证,证明了该方法的有效性。
Mar, 2020
本研究提出了一种基于 FCOS 的单阶段无 anchor 旋转物体检测算法(FCOSR),采用椭圆中心采样方法定义适当的采样区域以便于 OBB 的采样和采用模糊采样分配策略为重叠的目标提供合理的标签,这些策略可以为训练样本分配更合适的标签。该算法在不同数据集上表现优越,同时可在大多数平台上部署。
Nov, 2021
利用旋转敏感形变注意力来增强 DETR 在面向检测任务中对旋转目标的检测能力,进而提出了旋转物体检测 Transformer(RotaTR)作为 DETR 的扩展模型,相比原始 DETR,在检测密集和旋转对象方面显示出巨大优势,并与现有最先进的模型相比取得了竞争性的结果。
Dec, 2023
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。
Nov, 2017