Nov, 2023

遥感图像中端到端定向目标检测的高效解码器

PDF
TL;DR我们提出了一种具备有效的解码器的端到端定向目标检测器，该解码器结合了旋转 RoI 注意力（RRoI 注意力）和选择性不同查询（SDQ）两项技术，能够有效地解决遥感图像中多方向、不同尺度、密集分布的目标实例的检测问题。通过交叉注意机制，RRoI 注意力能够有效地聚焦定向感兴趣区域并对多尺度特征进行对齐。通过从中间解码器层收集查询并过滤相似查询以获得不同查询，提出的 SDQ 能够促进一对一标签分配的优化，而不会引入多余的初始查询或额外的辅助分支。在五个数据集上进行的大量实验证明了我们方法的有效性，尤其是我们的方法在 DIOR-R（67.31% mAP）、DOTA-v1.5（67.43% mAP）和 DOTA-v2.0（53.28% mAP）上取得了最先进的性能，使用了 ResNet50 作为骨干网络。
remote sensingoriented object detectorsmulti-scale features alignmentrotated roi attentionselective distinct queries
发现论文，激发创造
  • RRNet: 具有平行多尺度注意力的关系推理网络，用于光学遥感图像中的显着目标检测

    本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法，实验表明其定量和定性性能均优于现有最优方法。

    Oct, 2021

  • 密集式独立查询用于端到端物体检测

    本文介绍了一种名为 “Dense Distinct Queries” 的新型对象检测查询方法，该方法将传统检测器的密集查询和最新端到端检测器的独特查询相结合，极大地提高了在各种检测器中的性能。DDQ-DETR 在 MS-COCO 数据集上取得了 52.1 AP 的成绩，在拥挤场景中也获得了 93.8 的 AP，显示了 DDQ 的优点和可行性，可望启发研究人员考虑传统方法和端到端检测器之间的互补性。

    Mar, 2023

  • 语义感知的不变转换 RoI Align

    在这篇论文中，我们提出了一种新颖的 RoI 特征提取器 Semantic RoI Align（SRA），它能够在各种变换下提取不变的 RoI 特征，用于两阶段检测器。我们通过引入语义注意力模块，利用 RoI 内的全局和局部语义关系自适应地确定不同采样区域。我们还提出了动态特征采样器 Dynamic Feature Sampler，根据 RoI 的宽高比动态采样特征，以提高 SRA 的效率。另外，我们引入了一种新的位置嵌入 Area Embedding，通过改进采样区域表示提供更准确的位置信息给 SRA。实验证明，我们的模型在比基准模型轻微计算开销的情况下显著优于其他模型，并具有出色的泛化能力，可以改善各种最先进的主干网络和检测方法的性能。

    Dec, 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

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 通过选择性查询再现增强基于查询的对象检测训练

    本文指出了查询检测器在预测中期正确预测的同时，在最后的解码阶段误判的现象，通过 Selective Query Recollection (SQR) 的训练策略可以提高后期训练的重要性，允许后期直接使用较早阶段的中间查询，并在各种设置中显著提高其性能。

    Dec, 2022

  • 基于循环瞥视的 Transformer 检测解码器

    本文介绍了一种基于 Region-of-Interest (RoI) 的检测细化方法，使用新型的 Recurrent Glimpse-based decOder (REGO) 来帮助 DETR 的注意力逐渐准确地聚焦于前景对象，并在不影响全自动训练和推理流程的情况下将其嵌入 DETR 变体中。实验结果显示，此方法可以在明显降低训练期间的情况下提高 DETR 检测器的性能。

    Dec, 2021

  • 基于查询的目标检测中聚焦于局部区域

    提出了一个新的基于查询的目标检测模型 FoLR，通过在局部区域而非全局区域重点关注物体来增强自注意力机制，引入自适应采样方法从特征图中提取有效特征，并使用回溯策略和特征混合模块来提升性能，实验证明了 FoLR 在收敛速度和计算效率方面具有领先的性能。

    Oct, 2023

  • SCRDet: 面向小型、混杂和旋转目标的更为强健的检测

    本文提出一种新颖的旋转多分类目标检测器 SCRDet，旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络，以及监督像素注意力网络和通道注意力网络，来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。

    Nov, 2018

  • 解耦的 DETR：空间分离定位和分类以改善端到端对象检测

    通过空间解耦 DETR（SD-DETR）设计方案和任务感知查询生成模块，以及通过引入对齐损失的新颖设计，我们在 MSCOCO 数据集上展示了在目标检测任务中 DETR 性能的显著提升，例如我们将 Conditional DETR 的性能提高了 4.5 AP。

    Oct, 2023