Nov, 2023

PointOBB: 基于单点监督的学习导向目标检测

PDF
TL;DRPointOBB 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。
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

  • 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

  • P2RBox：定向目标检测所需的唯一点

    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。

    Nov, 2023

  • 基于边缘的定向物体检测

    在遥感领域，我们提出了一种基于边缘梯度的独特损失函数，通过此函数解决了定向物体检测中面临的非可微性和梯度向量对齐的问题，并设计了一个基于边缘的自注意力模块，通过这两个创新，我们在 DOTA 数据集上实现了 1.3% 的 mAP 提升。

    Sep, 2023

  • 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

  • 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

  • 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

  • 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

  • 提升航空图片中小型定向物体的检测

    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

  • 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