Dec, 2018

学习 RoI Transformer 在航拍图像中检测有方向物体

PDF
TL;DR本文提出了一个 RoI Transformer 模型用于解决在航拍图像中检测旋转目标时，水平建议区域（HRoI）和旋转建议区域（RRoI）之间可能会引入不匹配的问题。该模型具有轻复杂度和高性能，提出的模型在两种常见而具有挑战性的遥感数据集 DOTA 和 HRSC2016 上表现出了最先进的性能。
object detectionaerial imagesroi transformerrotation-invariant featuresoriented object detection
发现论文，激发创造
  • RotaTR：稠密和旋转物体的检测变换器

    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

  • 通过捕获物体间的关系提升航空图像中的检测能力

    基于 transformer 的方法在三个基准测试中表现出一致的性能提升，特别是在 DOTA-v1.5 和 HRSC 2016 上名列前茅，相对于基线方法分别增加了 1.59 mAP 在 DOTA-v1.0、4.88 mAP 在 DOTA-v1.5 和 2.1 mAP 在 HRSC 2016。

    Apr, 2024

  • 语义感知的不变转换 RoI Align

    在这篇论文中，我们提出了一种新颖的 RoI 特征提取器 Semantic RoI Align（SRA），它能够在各种变换下提取不变的 RoI 特征，用于两阶段检测器。我们通过引入语义注意力模块，利用 RoI 内的全局和局部语义关系自适应地确定不同采样区域。我们还提出了动态特征采样器 Dynamic Feature Sampler，根据 RoI 的宽高比动态采样特征，以提高 SRA 的效率。另外，我们引入了一种新的位置嵌入 Area Embedding，通过改进采样区域表示提供更准确的位置信息给 SRA。实验证明，我们的模型在比基准模型轻微计算开销的情况下显著优于其他模型，并具有出色的泛化能力，可以改善各种最先进的主干网络和检测方法的性能。

    Dec, 2023

  • ReDet：一种面向航空目标检测的旋转等变检测器

    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

  • 无人机中旋转不变的物体识别变压器

    我们提出了一种新颖的旋转不变视觉变形器（RotTrans），利用视觉变形器的结构特点，在高级特征的基础上建立不变度约束，以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上，我们的模型表现优于现有的最先进技术，其 mAP 和 Rank1 值分别比最高值提高了 5.9% 和 4.8%。值得注意的是，我们的模型在传统城市摄像头上的人物再识别任务中也取得了竞争优势，在 ICCV 2021 年举办的多模式视频推理与分析比赛的基于 UAV 的人物重新识别赛道上获得第一名。

    Nov, 2023

  • 基于旋转建议的任意方向场景文字检测

    本文介绍了一种新颖的基于旋转的框架，用于自然场景图像中的任意方向文本检测。我们提出了 Rotation Region Proposal Network（RRPN），它们设计用于生成倾斜的提议并提供文本方向角度信息，然后针对性地适应边界框回归，以更精确地适应文本区域。本框架建立在基于区域提议的体系结构之上，保证了与先前的文本检测系统相比，任意方向文本检测的计算效率。我们在三个真实世界的场景文本检测数据集上使用旋转平整的算法，并展示其在效果和效率方面的卓越性。

    Mar, 2017

  • 面向非约束遥感图像的多类目标检测

    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

  • 基于 Transformer 的目标检测

    本文提出基于 Transformer 的新方法 O²DETR，实现了复杂的有方向物体检测，无需旋转锚点，其性能表现明显优于 Faster R-CNN 和 RetinaNet。

    Jun, 2021

  • 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

  • 提升航空图片中小型定向物体的检测

    我们提出了一种方法，通过增强定向目标检测模型的分类和回归任务，准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络，其中包含两个损失函数：Guided-Attention Loss（GALoss）和 Box-Points Loss（BPLoss）。实验结果表明，我们的 Attention-Points 网络在标准的小型目标空中数据集（DOTA-v1.5）和海事相关数据集（HRSC2016）中具有很好的效果。代码公开可用。

    Jan, 2024