Nov, 2023

线性高斯边界框表示和环形旋转卷积在定向物体检测中的应用

HTML
PDF
TL;DR为了解决面向对象检测中旋转信息的准确预测问题，本文提出了线性高斯边界框（LGBB）与环形旋转卷积（RRC）方法，通过改进边界框表示和特征提取方法，实现了高精度的检测结果，并在Dota和HRSC2016数据集上实现了最先进的性能。
发现论文，激发创造
  • 多方向物体检测中基于水平边框的滑动顶点

    在该论文中，我们提出了一种基于顶点滑动的方法来检测多方向对象，同时引入了一个倾斜因子来辅助水平或方向检测，并使用Faster R-CNN回归头添加了五个额外的目标变量，该方法优于目前多个先进的检测基准测试。

    Nov, 2019

  • 利用盒状边界感知向量进行航拍图像中的目标定向检测

    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

  • 通过表示不变损失优化任意方向物体检测

    本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和场景文本数据集上的实验结果表明该方法具有一致的显著改进。

    Mar, 2021

  • 通过Kullback-Leibler散度学习旋转目标检测的高精度边界框

    本论文通过分析角度和水平检测参数之间的关系，将旋转回归损失的设计从归纳范式转变为演绎方法，引入KLD作为回归损失，并证明KLD不受比例影响，可以用于高精度检测，特别是对于长宽比较大的物体。实验结果表明此方法在多个数据集上具有一致的优越性。

    Jun, 2021

  • G-Rep: 面向任意方向物体检测的高斯表示

    本文提出了一种称为G-Rep的统一高斯表示法，该法采用了高斯模型进行最优参数优化，可解决任意方向物体检测中由于特征不同引起的不准确性问题，该方法在多个公共数据集上均表现良好。

    May, 2022

  • 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

  • FRED：实现航拍图像目标检测的完全旋转等变性

    全旋转等变定向物体检测器 (FRED) 严格等变地实现了从图像到边界框预测的整个过程，利用旋转等变向量表示边界框实现旋转等变定位，并通过修正卷积操作进一步增强对图像层级旋转的鲁棒性，相比现有方法，FRED 在DOTA-v1.0上达到可比性能，而在DOTA-v1.5上提升了1.5 mAP，同时模型参数显著减少至16%。

    Dec, 2023

  • 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

  • GRA：通过组内旋转和注意力检测有方向的物体

    我们提出了一种轻量但有效的G-R-A模块，用于替代背景网络中的卷积操作，以实现有向目标检测，该模块可以自适应地捕捉具有不同旋转角度的目标特征，通过旋转卷积核和组内关注的协同作用，我们方法在DOTA-v2.0基准上实现了新的最先进水平，并节省了近50％的参数。

    Mar, 2024

  • 基于点-轴表示的面向对象检测的点投影方法

    该论文介绍了面向对象检测的点轴表示方法，强调其灵活性和几何直观性，其关键组成部分包括点和轴，点描述对象的空间范围和轮廓，轴定义对象的主方向，解决了传统基于边界框的方法中常见的位置和旋转不连续问题，实验证明该方法在面向对象检测任务中显著提高了性能。

    Jul, 2024