Oct, 2021

DARDet：一种用于航拍图像中稠密无锚点旋转物体检测的算法

PDF
TL;DR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。
rotated object detectionaerial imagesdardetalignment convolution modulepiou loss
发现论文，激发创造
  • 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

  • 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

  • PolarDet: 一种用于航拍图像中旋转目标的快速、更精确的检测器

    本文提出了一种基于极坐标表示法、利用亚像素中心语义结构的快速高精度一阶段物体检测算法 ——PolarDet，其在航拍图像的物体检测任务上取得了几乎所有 SOTA 性能，并在 UCAS-AOD 数据集上取得最佳表现和最快速度（32fps）。

    Oct, 2020

  • 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

  • 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

  • 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

  • FCOSR：一种简单的无 Anchor 旋转目标检测器，用于航拍目标检测

    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

  • 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

  • ARS-DETR：基于 Transformer 的长宽比敏感型有向物体检测

    本文提出了一种名为 ARS-DETR 的纵横比感知的方向对象检测器，其中提出了一种新的角度分类方法 AR-CSL，设计了一个旋转可变形注意力模块来消除区域特征和采样点之间的不对齐，采用一个根据纵横比实施的动态权重系数来计算角度损失，并在多个具有挑战性的数据集上经过全面实验，表明我们的方法在高精度定向目标检测任务中具有竞争性能。

    Mar, 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