MMApr, 2022

MMRotate：使用 PyTorch 的旋转物体检测基准测试

PDF
TL;DRMMRotate 是一个开源的工具箱，为基于深度学习的流行旋转物体检测算法提供了一致的算法框架，支持 18 种最先进的算法和三种最常用的角度定义方法，并提供大量已训练的模型和详细的基准测试。
mmrotateopen-sourcetoolboxrotated object detectiondeep learning
发现论文，激发创造
  • 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

  • 学习可旋转边界框的旋转不变检测器

    提出了一种新的检测方法，应用了新定义的可旋转边界框（RBox），该方法可以有效地处理目标物体方向角任意的情况，并可以通过正确学习物体的正确方向角来实现旋转不变性。与基于传统边界框的方法相比，DRBox 在检测汽车、船舶和飞机的卫星图像方面表现更好，并且对输入图像和目标物体进行旋转更加稳健且能够正确输出其方向角，从而有助于高效定位多角度目标。

    Nov, 2017

  • 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

  • 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

  • 目标检测中的旋转不变性

    本文探讨了原先在物体检测中使用的最大框方法会导致误差较大，提出了一种新的椭圆形框方法来增强模型对旋转的不变性。同时，引入旋转不确定性损失，使模型能够适应标签的不确定性，并通过实验验证了该方法在几个不同的数据集上能够显著提高模型的旋转不变性。

    Sep, 2021

  • 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

  • RTHDet：图像中旋转表格区域和头部检测

    本文介绍了一项新任务：在旋转场景中检测表格区域并定位首尾部分，提出了相应的数据集、评估指标和方法。通过应用迁移学习和自适应边界旋转增强，提出的方法能够有效地检测旋转的表格区域并准确地定位头部和尾部部分。

    Dec, 2023

  • 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

  • 关于任意方向物体检测：基于分类方法的再探讨

    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

  • 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