MMNov, 2023

无人机中旋转不变的物体识别变压器

PDF
TL;DR我们提出了一种新颖的旋转不变视觉变形器（RotTrans），利用视觉变形器的结构特点，在高级特征的基础上建立不变度约束，以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上，我们的模型表现优于现有的最先进技术，其 mAP 和 Rank1 值分别比最高值提高了 5.9% 和 4.8%。值得注意的是，我们的模型在传统城市摄像头上的人物再识别任务中也取得了竞争优势，在 ICCV 2021 年举办的多模式视频推理与分析比赛的基于 UAV 的人物重新识别赛道上获得第一名。
uavobject re-identificationrotation invariant vision transformerrotation invarianceperson re-identification
发现论文，激发创造
  • 旋转不变点云匹配变换器

    本文提出了 RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入 PPF 坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。

    Mar, 2023

  • 学习 RoI Transformer 在航拍图像中检测有方向物体

    本文提出了一个 RoI Transformer 模型用于解决在航拍图像中检测旋转目标时，水平建议区域（HRoI）和旋转建议区域（RRoI）之间可能会引入不匹配的问题。该模型具有轻复杂度和高性能，提出的模型在两种常见而具有挑战性的遥感数据集 DOTA 和 HRSC2016 上表现出了最先进的性能。

    Dec, 2018

  • 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

  • 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

  • 通过点云配准重新思考旋转不变性

    该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的 3D 形状分类、部分分割和检索任务中。

    Dec, 2022

  • PaRot: 基于特征解耦和姿态恢复的小块旋转不变网络

    本研究介绍了一种新颖的 Patch-wise Rotation-invariant 网格，通过 Feature Disentanglement 实现旋转不变性，并且 Propose 了一个 Rotation-Invariant Geometric Relation 来还原每个 Patch 的相对位姿信息，在 3D 模型分类和部分分割任务方面实现了有竞争力的结果。

    Feb, 2023

  • 用于图像分类和搜索的变换不变卷积神经网络

    该研究提出了在卷积神经网络的训练阶段中随机转换特征图以增强模型对空间变换的不变性，从而显著提高了 CNN 在图片识别等许多基准任务上的表现。

    Nov, 2019

  • 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

  • TransReID：基于 Transformer 的目标重识别

    本文介绍了基于 transformer 的物体 ReID 方法 TransReID，通过重新排列 patch embeddings，设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个 ReID 数据集上实现了最优结果。

    Feb, 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