Nov, 2023

P2RBox：定向目标检测所需的唯一点

PDF
TL;DR我们介绍了 P2RBox 网络，它利用点注释和掩膜生成器创建掩膜提案，并通过我们的检查器模块和约束器模块进行过滤，从而选择高质量的掩膜，并将其转换为旋转边界框注释以训练一个全监督检测器。这是第一次尝试使用点监督训练定向物体检测器。
oriented object detectionpoint annotationp2rbox networkinspector moduleconstrainer module
发现论文，激发创造
  • Point2RBox: 合并来自合成视觉模式的知识，实现具有单点监督的端到端定向物体检测

    我们提出了一种新的方法 Point2RBox，通过综合合成模式知识和变换自我监督来解决点监督目标检测问题，该方法在 DOTA/DIOR/HRSC 数据集上取得了令人满意的性能。

    Nov, 2023

  • H2RBox：水平框注释是实现方向目标检测所需的全部

    本文提出了一种基于水平边界框注释的定向目标检测方法 H2RBox，利用弱监督和自监督学习进行训练，可以在复杂场景中更稳健地检测密集目标和离群值，并且与使用旋转框训练的方法在速度和性能方面相差无几。

    Oct, 2022

  • 通过单点监督的点对盒子网络，实现精准物体检测

    本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

    Jul, 2022

  • H2RBox-v2: 通过对称学习提升 HBox 监督的有向物体检测

    本研究提出了一种新的弱监督检测器 H2RBox-v2，通过理论分析和自监督方法，利用镜像和旋转一致性来学习旋转框，克服了地面真实标注数据缺乏的问题，实现了一种基于对称性监测的有向目标检测方法。

    Apr, 2023

  • PointOBB: 基于单点监督的学习导向目标检测

    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

  • 面向 R-CNN 的对象检测

    本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

    Aug, 2021

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 学习可旋转边界框的旋转不变检测器

    提出了一种新的检测方法，应用了新定义的可旋转边界框（RBox），该方法可以有效地处理目标物体方向角任意的情况，并可以通过正确学习物体的正确方向角来实现旋转不变性。与基于传统边界框的方法相比，DRBox 在检测汽车、船舶和飞机的卫星图像方面表现更好，并且对输入图像和目标物体进行旋转更加稳健且能够正确输出其方向角，从而有助于高效定位多角度目标。

    Nov, 2017

  • 点级监督实例分割

    提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

    Apr, 2021

  • P2B：基于点云的三维物体跟踪的点 - 盒网络

    该论文提出了一种名为 P2B 的网络，通过在嵌入了目标信息的 3D 搜索区域中定位潜在的目标中心，执行基于点的 3D 目标候选提议和验证。使用 Hough 投票回归潜在目标中心，利用 PointNet++ 作为骨干网，证明了该方法在 KITTI 跟踪数据集上的优越性。

    May, 2020