CVPRMar, 2020

关于任意方向物体检测：基于分类方法的再探讨

PDF
TL;DR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。
arbitrary-oriented object detectionangular prediction taskcircular smooth labeldensely coded labelsobject heading detection
发现论文，激发创造
  • 重新思考面向对象检测的边界不连续性问题

    本文提出了一个基于极坐标分解的简单而有效的角度修正模块（ACM），可用于修复定向物体检测器的角度预测问题，实验结果表明，ACM 可使 Gaussian-based 或 SkewIoU 方法在多个数据集上 AP50 和 AP75 性能提高到相同水平。

    May, 2023

  • 密集标签编码用于无边界不连续旋转检测

    本文提出了一种基于分类的旋转检测方法，采用两种密集编码标签替换了传统稀疏编码标签，配合损失重加权的策略，有效地提高了分类检测器的训练速度和检测准确率，适用于航拍图像、场景文本和面部等多种视觉应用。

    Nov, 2020

  • 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

  • AO2-DETR：任意方向物体检测变形器

    文章提出了一种基于 Transformer 的 AOOD 框架，称为 AO2-DETR，包括三个组件：旋转提案生成机制、适应性旋转提案细化模块和旋转感知的集合匹配损失，使得直接集合预测任务更加简化、准确。在多个数据集上的实验证明该方法在 AOOD 任务上具有卓越的性能。

    May, 2022

  • 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

  • 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

  • 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

  • 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

  • 旋转的重要性：针对不同相机系统的广义单目三维物体检测

    通过对相机姿态变换的研究，我们发现 3D 物体检测性能在不同于训练数据所用相机系统的情况下明显降低。为了解决这个问题，我们提出了一个通用的 3D 物体检测方法，其中包括一个位置修正模块，用于校正估计的 3D 边界框位置和朝向，并在不进行额外训练的情况下，提高了 AP3D 得分（KITTI moderate，IoU > 70%）约 6 至 10 倍。定量和定性结果都验证了该方法的有效性。

    Oct, 2023

  • 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