基于边缘的定向物体检测
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
PointOBB 是第一个基于单个点的有方向物体检测方法,通过协同利用三个独特视图:原始视图、调整后的视图和旋转 / 翻转视图,在原始视图的基础上,利用调整后的和旋转 / 翻转视图搭建了一个尺度增强模块和一个角度获取模块,实现了尺度和角度的耦合优化。实验证明,PointOBB 在 DIOR-R 和 DOTA-v1.0 数据集上表现出色,明显优于潜在的点监督基线。
Nov, 2023
我们提出了一种方法,通过增强定向目标检测模型的分类和回归任务,准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络,其中包含两个损失函数:Guided-Attention Loss(GALoss)和 Box-Points Loss(BPLoss)。实验结果表明,我们的 Attention-Points 网络在标准的小型目标空中数据集(DOTA-v1.5)和海事相关数据集(HRSC2016)中具有很好的效果。代码公开可用。
Jan, 2024
本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络,并采用编码器 - 解码器结构,通过共享卷积特征来同时预测对象边界和遮挡方向,大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度(每图像 0.037s)并显著超过了之前的最优结果(ODS F 分数分别为 0.702 和 0.555)。
Jun, 2018
本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法,该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果,并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验,结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。
Jun, 2024
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
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
该研究提出了一种新的损失函数来预测有向边界框,名为头 - 尾损失。新的损失函数使用两个关键点来表示目标的注释,并在目标的头部和尾部之间寻找最小距离来进行预测。实验结果表明该方法对于长形目标如船只和其他不同形状的目标都有潜力。
Apr, 2023
回归损失设计是面向对象检测的一个重要课题,由于角度的周期性和宽度和高度定义的不确定性,传统的 L1 距离损失及其变种一直以来都面临着度量不连续和类似于方形的问题,分布基方法则通过将有方向的框表示为分布而显示出显著优势,我们提出了一种新颖的有方向回归损失,Wasserstein 距离(EWD)损失,以缓解类似于方形的问题。同时,基于有方向框的边缘表示,EWD 损失可以推广到四边形和多项式回归场景,对多个常用数据集和不同的检测器的实验表明了该方法的有效性。
Dec, 2023
提出了一种针对航拍图像中目标识别的方法,使用基于关键点的检测器检测目标的中心点,进而回归边界感知向量以捕获定向边界框,通过旋转边界框分类实现在所有方向上的目标检测,并通过实验证明优于基线方法,与现有方法相比具有竞争优势。
Aug, 2020