Dec, 2019

IENet：交互分支单级无锚点探测器用于定向航空目标检测

PDF
TL;DR本文提出了一种针对定向物体检测的一阶段无锚点检测器，即交互分支网络 (IENet)，通过应用新的几何转换来更好地表示定向对象的角度预测，并开发了包含自我关注机制的分支交互模块来融合来自分类和框回归分支的特征，最后，引入了一种增强的 IoU 损失函数来检测 OBB，该算法在与现有算法的比较实验中表现出卓越的效果。
发现论文，激发创造
  • 模型交互锚点修正实现航空图像鲁棒目标检测

    本文提出了一种基于动态增强锚点网络的物体检测方法，支持航拍场景下的小目标检测，采用交互式样本筛选和保守的基于锚点的推断方案，结合多任务联合训练，实现了高精度和低计算复杂度，并在 DTAO 和 HRSC2016 等数据集上取得了最优性能。

    Dec, 2021

  • 面向物体检测的无锚定位建议生成器

    本文提出了一种抛弃传统水平框架结构，利用 Coarse Location Module 生成初步的定位框，然后将其提炼为高质量的定向 proposals 的方法 ——Anchor-free Oriented Proposal Generator (AOPG)，并且在 DIOR_R, DOTA 和 HRSC2016 数据集上实现了 64.41%、75.24% 和 96.22% 的 mAP 准确率，这为解决遥感图像中的定向目标检测提供了一种新的方案。

    Oct, 2021

  • 基于嘈杂锚点的单阶段目标检测学习

    本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

    Dec, 2019

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 2020

  • 3D IoU-Net: 基于 IoU 的点云三维物体检测器

    提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

    Apr, 2020

  • 重新审视一阶段目标检测中的特征对齐

    提出了一种 RoIConv 算子和 AlignDet 架构，用于解决单阶段目标检测中 anchor boxes 和卷积特征之间的错位问题，取得了 44.1 的最佳平均精确度。

    Aug, 2019

  • 面向 R-CNN 的对象检测

    本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

    Aug, 2021

  • I3Net：隐式实例不变网络用于调整一阶段物体探测器

    本文提出了一种适用于单级检测器的隐式实例不变网络（I3Net），通过利用不同层次深度特征的自然特点，从三个方面促进适应：动态和类平衡权重（DCBR）策略、类别感知对象模式匹配（COPM）模块和正则化联合类别对齐（RJCA）模块。实验结果表明，I3Net 在基准数据集上优于现有技术的性能。

    Mar, 2021

  • 以中线对的形式表现定向物体

    本文提出了一种名为 O^2-DNet 的新型模型，该模型可以通过预测每个目标内的一对中间直线来检测有方向的对象，并且它是一种一级、无锚点和无 NMS 的模型。

    Dec, 2019

  • 基于锚点特征匹配的单阶段单次检测目标识别

    本文研究一次性目标检测的任务，构建了一种同时完成定位和识别的一阶段系统，使用了学到的本地特征的密集相关匹配，前馈几何变换模型来对齐特征，并使用双线性重采样来计算检测分数，在若干挑战性领域的实验评估中，展示了我们的方法可以探测到看不见的类别，并且大幅度地优于其他基线模型。

    Mar, 2020