Apr, 2022

利用比例不变马氏距离在航空图像中进行旋转目标检测

PDF
TL;DR本文讨论如何在旋转的航拍图像中高效地检测目标物体。我们针对传统八参数方法中使用的非比例损失函数（L1，L2 和平滑 L1）与检测度量旋转交集联合（IoU）的不稳定性，提出了一种新的基于马氏距离的损失函数，称之为马氏距离损失（MDL）。我们的实验结果表明，与传统的平滑 L1（smooth L1）损失相比，使用 MDL 在旋转目标检测方面表现更加优异。
发现论文，激发创造
  • 学习调制损失用于旋转物体检测

    本文针对传统旋转检测方法中角度周期性和参数测量单位不一致等问题提出了调制型旋转损失函数，结合八参数回归解决参数回归一致性问题，实验表明该方法在各类检测数据集上均取得了具有竞争力的表现，代码已公开发布。

    Nov, 2019

  • 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

  • 学习局部不变的马氏距离

    本文提出了一种新颖且计算效率高的学习本地马氏度量的方法，并展示了如何学习任何转换的本地不变度量来提高性能。

    Feb, 2015

  • 改进 Mahalanobis 距离以提高近 OOD 检测的简单修复

    研究提出一种名为相对马氏距离（Relative Mahalanobis Distance）的改进方法，相对于原有的 Mahalanobis 距离，在检测神经网络模型中的近似样本（Near-OOD Detection）和超参数选择上表现更好，该方法在多种困难视觉、语言和生物学场景中实现了显著的定位比率（AUROC）提升，特别是在基因组学中，提高了高达 15% 的 AUROC。

    Jun, 2021

  • 通过 Kullback-Leibler 散度学习旋转目标检测的高精度边界框

    本论文通过分析角度和水平检测参数之间的关系，将旋转回归损失的设计从归纳范式转变为演绎方法，引入 KLD 作为回归损失，并证明 KLD 不受比例影响，可以用于高精度检测，特别是对于长宽比较大的物体。实验结果表明此方法在多个数据集上具有一致的优越性。

    Jun, 2021

  • 用高斯瓦瑟斯坦距离重新思考旋转物体检测

    本文提出了一种基于高斯 Wasserstein 距离的新型回归损失函数作为解决旋转检测回归损失设计中边界不连续性和其对最终检测度量的不一致性的基本方法，通过将旋转包围盒转换为 2D 高斯分布来实现，具有高斯 Wasserstein 距离（GWD）可以通过梯度反向传播高效地学习的优势。GWD 可以在没有重叠的情况下学习，即使对于小物体检测也经常如此。GWD 具有三个独特的属性，可以优雅地解决边界不连续性和类方形问题，无论包围盒如何定义。在使用不同检测器的五个数据集上的实验证明了我们方法的有效性。

    Jan, 2021

  • FPDIoU Loss: 旋转目标检测中高效边界框回归的损失函数

    提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有损失函数的性能。

    May, 2024

  • KFIoU Loss 用于旋转物体检测

    本文提出了一种基于高斯建模和高斯乘积的有效近似 SkewIoU 损失，称为 KFIoU 损失，该损失易于实现并与基本检测器一起工作得更好，我们进一步将我们的技术扩展到 3D 案例。

    Jan, 2022

  • 通过表示不变损失优化任意方向物体检测

    本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和场景文本数据集上的实验结果表明该方法具有一致的显著改进。

    Mar, 2021

  • 2D/3D 目标检测的 IoU 损失

    该研究探究了 IoU 计算在旋转边框中的应用，并实现了 IoU loss 层，使得在 2D 和 3D 目标检测任务中均获得了 KITTI 基准测试上的一致性改进。

    Aug, 2019