May, 2022

AO2-DETR：任意方向物体检测变形器

PDF
TL;DR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。
arbitrary-oriented object detectiontransformer-based approachesao2-detroriented proposal generationrotation-aware set matching loss
发现论文，激发创造
  • 基于 Transformer 的目标检测

    本文提出基于 Transformer 的新方法 O²DETR，实现了复杂的有方向物体检测，无需旋转锚点，其性能表现明显优于 Faster R-CNN 和 RetinaNet。

    Jun, 2021

  • OW-DETR：开放世界检测变换器

    通过引入一种新型的端到端基于 transformer 的框架 OW-DETR，其中包括 attention 驱动的伪标签、新颖性分类和对象得分三个组件，用于解决开放世界目标检测 (OWOD) 的挑战，在 MS-COCO 和 PASCAL VOC 数据集上的广泛实验表明，该模型表现出优秀的性能，能够从已知类中传递知识到未知类中，能够更好地鉴别未知对象和背景。

    Dec, 2021

  • 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

  • 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

  • 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

  • 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

  • Semi-DETR: 基于检测 Transformer 的半监督目标检测

    我们提出了 Semi-DETR，一个基于 transformer 的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题，并在 COCO 和 Pascal VOC 基准数据集上的所有 SSOD 设置中进行的实验表明，我们的方法优于所有现有方法。

    Jul, 2023

  • 面向物体检测的无锚定位建议生成器

    本文提出了一种抛弃传统水平框架结构，利用 Coarse Location Module 生成初步的定位框，然后将其提炼为高质量的定向 proposals 的方法 ——Anchor-free Oriented Proposal Generator (AOPG)，并且在 DIOR_R, DOTA 和 HRSC2016 数据集上实现了 64.41%、75.24% 和 96.22% 的 mAP 准确率，这为解决遥感图像中的定向目标检测提供了一种新的方案。

    Oct, 2021

  • AO-DETR：针对 X 射线禁止物品检测的反重叠 DETR

    禁止项目检测中 X 射线图像的抗重叠 DETR（AO-DETR）是一种基于 DINO 的最新一代目标检测器之一，通过采用类特定一对一分配策略和前向稠密方案解决了重叠现象带来的特征耦合和边缘模糊问题，并在 PIXray 和 OPIXray 数据集上的实验证明了其在禁止项目检测领域的潜在应用。

    Mar, 2024

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020