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
近年来,3D 物体检测的研究取得了显著进展。然而,大多数现有研究聚焦于基于中心或基于锚点的标签赋值方案的利用。在 3D 物体检测中,尚未探索其他的标签赋值策略。我们发现,基于中心的标签赋值方法通常在训练时生成不足的正样本,而基于锚点的标签赋值方法在处理不同尺度的物体时往往遇到不平衡问题。为了解决这些问题,我们引入了一种动态交叉标签赋值(DCLA)方案,该方案为每个物体动态地从交叉区域中分配正样本,从而为训练提供足够且平衡的正样本。此外,为了应对准确回归具有不同尺度的物体的挑战,我们提出了一种基于旋转加权交并比(RWIoU)的回归损失指标,以替代广泛使用的 L1 损失指标。大量实验证明了我们的 DCLA 和基于 RWIoU 的回归损失的普适性和有效性。代码可在此网址上获取:https:// 链接地址
Jan, 2024
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
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
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
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
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