May, 2023

重新思考面向对象检测的边界不连续性问题

PDF
TL;DR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。
oriented object detectionrotation equivariantangular predictionboundary discontinuity problemangle correct module
发现论文，激发创造
  • 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

  • ABFL: 针对航空图像中任意方向对象检测的角度边界不连续性自由损失

    本文提出了一种基于 von Mises 分布的角度边界自由损失 (ABFL)，用于解决在检测定向物体时出现的角度边界不连续性问题，通过将角度视为循环数据而不是线性数据来测量角度差异，引入角度周期性以减轻 ABD 问题并提高角度差异测量的准确性，同时为解决 AOOD 任务中由于旋转对称性产生的各种周期边界不连续性问题提供了简单有效的解决方案，不需要额外的编解码结构。在 DOTA 和 HRSC2016 数据集上的大量实验表明，所提出的 ABFL 损失优于一些专注于解决 ABD 问题的最先进方法。

    Nov, 2023

  • PIoU 损失函数：实现复杂环境下准确的目标检测

    本研究提出了一种新的基于像素 IoU（PIoU）损失函数的方法，用于定位高长宽比旋转物体，实验结果表明该方法可以显著提高对象检测器的性能，尤其是在高长宽比和复杂背景下，并引入了一个名为 Retail50K 的新数据集以鼓励社区为更复杂的环境适应这种方法。

    Jul, 2020

  • 基于类别感知的高质量导向提案的动态标签分配

    该论文提出了基于复平面的有向检测框表示和三角误差损失函数，并构建了一个适用于复杂背景环境的有向对象检测模型，通过实验证明了该模型在有向对象检测方面的优越性能。

    Jul, 2024

  • 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

  • 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

  • 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

  • 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

  • 理论上实现定向边界框的连续表示

    提出 Continuous OBB（COBB）的新的表示方法，在已有的检测器中集成，解决了目标检测中方框旋转和宽高比的连续性问题，并在实验证明在基于矩形目标表示的文献中未能实现的连续回归问题上取得了良好结果。

    Feb, 2024

  • SIoU Loss: 边界框回归的更强大学习

    本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

    May, 2022