提升航空图片中小型定向物体的检测

Jan, 2024

提升航空图片中小型定向物体的检测

Improving the Detection of Small Oriented Objects in Aerial Images

Chandler Timm C. Doloriel, Rhandley D. Cajote

TL;DR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。

Abstract

Small oriented objects that represent tiny pixel-area in large-scale aerial images are difficult to detect due to their size and orientation. Existing oriented aerial detectors have shown promising results but are mainly focused on orientation modeling with less regard to the size of t

oriented objects small objects aerial images attention-points network box points

发现论文，激发创造

面向航空物体检测的 RepPoints

本文提出了一种基于自适应点学习的方法来检测非轴对齐的空中目标，该方法采用自适应点表示法来捕捉任意方向实例的几何信息，并结合三种有向转换函数以及有效的质量评估和样本分配方案，使用空间约束惩罚离群点进行自适应学习，实验结果表明我们的方法在四个具有挑战性的空中数据集上表现良好。

May, 2021

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

Focus-and-Detect: 一种用于航拍图像的小目标检测框架

本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架，包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域，以及一个物体检测网络来预测指定区域中的物体。同时，本文还提出了一种名为 IBS 的方法，可以克服区域搜索方法的截断效应，并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分，超越所有已知的最先进的小物体检测方法。

Mar, 2022

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

面向物体检测的无锚定位建议生成器

本文提出了一种抛弃传统水平框架结构，利用 Coarse Location Module 生成初步的定位框，然后将其提炼为高质量的定向 proposals 的方法 ——Anchor-free Oriented Proposal Generator (AOPG)，并且在 DIOR_R, DOTA 和 HRSC2016 数据集上实现了 64.41%、75.24% 和 96.22% 的 mAP 准确率，这为解决遥感图像中的定向目标检测提供了一种新的方案。

Oct, 2021

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

SOOD++：利用无标签数据提升有向物体检测

通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

Jul, 2024

稀缺数据环境下航拍图像中的目标检测

本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在 COSE 系统中部署检测模型的需求，本文利用 TensorRT 等现有优化工具成功解决了在超大图像（超过 100 百万像素）中实时进行检测的工程挑战。

Oct, 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

使用状态空间模型和可编程梯度的航空影像中小体目标检测的进展

本文介绍了两种创新方法，显著提升了小型空中物体的检测和分割能力。首先，我们探索了 SAHI 框架在新引入的轻量级 YOLO v9 架构上的应用，利用可编程梯度信息（PGI）来减少在串行特征提取过程中常见的大量信息损失。同时，本文还采用了 Vision Mamba 模型，该模型结合位置嵌入以实现精确定位感知，结合了一种新颖的双向状态空间模型（SSM），用于有效的视觉背景建模。我们的实验结果显示，在不同的空中场景下，这些方法在检测准确度和处理效率上都取得了显著的改进，验证了这些方法在实时小型物体检测方面的适用性。本文还讨论了这些方法如何成为未来空中目标识别技术的基础模型。源代码将在此处提供。

May, 2024