dujuancao11的博客

以下是组会汇报时的PPT，贴出方便一起学习。我将从三部分简单介绍一下，第一部分会从直观理解和数学层面来介绍问题描述，第二部分介绍作者提出的多类别损失函数，最后是核心网络架构，将会先介绍两个基础框架，分析作者是怎么提出本文框架的。这是一幅街景图像的语义边缘检测效果图，左上角是原图，右上角是ground truth，最后是本文效果图。首先对比一下传统的边缘检测，其实是二元与多元问题的区别。语义边缘检测不仅要检测边缘，还要为为每个边缘像素分配一个或多个语义类别。这边这个多个..

语义分割联合边缘检测的多任务学习思路总结_小天要奔跑的博客-CSDN博客_多任务语义分割 笔记https://arxiv.org/abs/1907.05740https://arxiv.org/pdf/2007.10035.pdfhttps://arxiv.org/pdf/2004.07684.pdfJoint Semantic Segmentation and Boundary Detection using It...

论文来源：知网以下仅仅是学习过程中的部分笔记，用作自己复习。摘要.....目标检测不仅需要判别图像中存在的目标的类别，还需要回归目标在图像中的位置。特征耦合具体表现：分类和回归部分的网络共享参数，特征分布高度耦合。分类和回归特征耦合对于目标检测算法的影响。具体表现在以下两点：（不一致性）分类分数与目标框回归一致性的问题，即分类分数最高的框不一定是最回归最准的框。 （特征耦合）适用于分类的特征不一定适用于回归定位；同理，适合于定位的特征也不一定是该目标最具类别判别力的特...

摘要光学遥感图像中的目标检测是一项重要且具有挑战性的任务。近年来，基于卷积神经网络的方法取得了良好的进展。然而，由于目标尺度、纵横比和任意方向变化较大，检测性能难以进一步提高。在本文中，我们讨论了鉴别特征在目标检测中的作用，然后提出了一个关键特征捕获网络（CFCNet），从三个方面提高检测精度：构建强大的特征表示、细化预设锚和优化标签分配。具体地说，我们首先将分类和回归特征解耦，然后通过极化注意模块（PAM）构建适合各自任务的鲁棒关键特征。利用提取的判别回归特征，旋转锚优化模块（R-ARM）对预设水平

第一次阅读笔记包括翻译和小结【论文阅读】A2S-Det: Efficiency Anchor Matching in Aerial Image Oriented Object Detection_dujuancao11的博客-CSDN博客目录结构设计2. 材料和方法2.1 介绍数据，这个和平时的论文不大一样。摘要在航拍图像中，目标的检测是一项具有挑战性的任务，因为许多目标具有大的宽高比和密集的排列。 "Most anchor-based rotatin...

论文地址：https://arxiv.org/pdf/1902.09104.pdf作者来自中科大和南洋理工，研究方向是语义边缘检测任务。参考博客：百度安全验证动态特征融合语义边缘检测论文Dynamic Feature Fusion for Semantic Edge Detection解读_import_torch_as_tf-CSDN博客摘要如果多尺度特征融合良好，可以大大提高语义边缘检测的效率。现有研究的不足：然而，目前流行的语义边缘检测方法采用固定权值的融合策略，强制图..

论文地址：http://arxiv.org/abs/1705.09759学习参考：【读书笔记】CASENet: Deep Category-Aware Semantic Edge Detection - 知乎摘要本文主要是给出一个类别感知的语义边缘检测算法。传统的边缘检测本身就是一个具有挑战性的二元问题，相比之下类别感知的语义边缘检测是一个更具有挑战性的多元问题。因为边缘像素出现在属于两个或更多个语义类的轮廓或连接点中，所以本文对每个边缘像素与至少两个类别相关联这个问题进行建模，并提出...

论文地址：https://arxiv.org/pdf/1504.06375.pdfHolistically：整体Nested：嵌套的主要解决两个问题：基于整个图像的训练和预测； 多尺度和多水平的特征学习。 该算法通过深度学习模型，完成了从图像到图像的预测，并通过学习到的丰富的分级特征，完成边缘检测中的细节问题。摘要本文提出了一种新的边缘检测算法，解决了长期存在的视觉问题中的两个重要问题:(1)整体图像的训练和预测;(2)多尺度、多层次特征学习。我们提出的方法，整...

https://zhuanlan.zhihu.com/p/143877125 学习笔记

博客学习笔记：https://blog.csdn.net/mary_0830/article/details/103100001 ICCV2019 |论文阅读——SCRDet：Towards More Robust Detection for Small, Cluttered and Rotated Objects

去噪自动编码器(DAE)[32]是一种常用的去噪模型。在之前的工作[9]中，DAE以多层感知器的形式被用来保护目标模型免受对抗攻击。然而，实验是在相对简单的MNIST[17]数据集上进行的。为了更好地表示ImageNet数据集中的高分辨率图像，我们在实验中使用了卷积版的DAE(见图2)。DAE在编码器和解码器之间存在瓶颈结构。这一瓶颈可能会限制重建高分辨率图像所必需的精细尺度信息的传输。为了克服这个问题，我们用U-net[27]结构修改DAE，提出去噪U-net (DUNET，见右图2)。

【论文阅读】A2S-Det: Efficiency Anchor Matching in Aerial Image Oriented Object Detection

【论文阅读】DAPAS : Denoising Autoencoder to PreventAdversarial attack in Semantic Segmentation

Feature Denoising for Improving Adversarial Robustness特征去噪提高对抗鲁棒性论文地址：Feature Denoising for Improving Adversarial Robustness | IEEE Conference Publication | IEEE Xplore代码地址：https://github.com/facebookresearch/ImageNet-Adversarial-Training相关解读博客：论文.

读了一半，暂时放下，有空再来读。论文地址：https://arxiv.org/abs/2111.03420

简单记录总结一下读过的旋转目标检测论文。AProNetAProNet: Detecting objects with precise orientation from aerial images论文地址：AProNet: Detecting objects with precise orientation from aerial images - ScienceDirect论文代码：GitHub - geovsion/AProNetD...

arxiv论文地址：https://arxiv.org/abs/2012.04150代码：https://github.com/ming71/DAL以下翻译多有不准确，自行理解吧。以下是自己的一些笔记理解。

(1) 一种新的角度表示，即基于轴投影的角度表示，它没有角度周期性问题。(2) 特征增强模块，提取几何相关信息，用于有效学习基于轴投影的角度表示。(3) 一种新颖的自适应损失函数，为具有新角度表示的有效网络训练提供指导。基于上述事实，我们的作品在理念和性能上都与现有作品有所不同。将来，我们希望利用所提出的基于轴投影的角度学习对更多类型的任意定向对象的有效性。这样表达很说明问题

论文地址：https://arxiv.org/abs/2109.10187v5以下是自己的学习笔记，留给自己复习。

这位博主写的很好，我就不班门弄斧了，前来学习，手写一些笔记让自己记忆深刻一些。FCOSR: A Simple Anchor-free Rotated Detector for Aerial Object Detection阅读笔记_风行-CSDN博客以下是我自己的手写笔记，字很丑==，留给自己看。...

Oriented Object Detection with Transformer阅读笔记_风行-CSDN博客

论文原文链接：Align Deep Features for Oriented Object Detection | IEEE Journals & Magazine | IEEE Xplore面向对象检测的深度特征对齐代码链接：https://github.com/csuhan/s2anet关键点：refined single stage, feature alignmentResNet50/ResNet101 79.42/79.15摘要在过去...

SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss SmoothingSCRDet++:通过实例级特征去噪和旋转损失平滑检测小的、杂乱的和旋转的物体论文地址：https://arxiv.org/abs/2004.13316

论文地址：https://arxiv.org/abs/1908.05612摘要旋转检测是一项具有挑战性的任务，因为它难以定位多角度目标并将其有效地从背景中分离出来。虽然已经取得了相当大的进展，但在实际设置中，旋转物体的宽高比大、分布密集、类别极不平衡仍然存在挑战。在本文中，我们提出了一个端到端精细化的单级旋转检测器，通过使用从粗粒度到细粒度的逐步回归方法来快速和准确地检测目标。针对现有精细化单级检测器存在的特征不匹配的缺点，设计了特征精细化模块，通过获取更准确的特征来提高检测性能...

论文地址：Feature Adaption with Predicted Boxes for Oriented Object Detection in Aerial Images | SpringerLink目录摘要1 介绍2 相关工作2.1 面向对象检测2.2 特性适应2.3 回归损失3 提出的方法3.1 特征适配模块3.2 解耦的分支3.3 角度回归损耗4 实验与分析4.1 数据集4.2 实现细节4.3 消融研究4.4 DOTA可...

Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery面向无约束遥感图像的多分类目标检测论文地址：https://arxiv.org/abs/1807.02700好像没有代码《ReDet》论文中的定向对象检测：为了检测任意方向的目标，一些方法[1,22,43]采用了许多具有不同角度、比例和长宽比的旋转锚框，以便更好地回归，同时增加了计算复杂性。（参考文献1）摘要遥感图像无...

ReDet: A Rotation-equivariant Detector for Aerial Object DetectionReDet：一种用于航空目标检测的旋转等变检测器https://arxiv.org/abs/2103.07733摘要近年来，航空图像中的目标检测在计算机视觉中得到了广泛的关注。与自然图像中的目标不同，航空目标往往以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地建模方向变化，因此...

旋转目标检测方法解读（KLD, NeurIPS2021）旋转目标检测方法解读（KLD, NeurIPS2021） - 知乎Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Diverge通过Kullback-Leibler Divergence学习旋转目标检测的高精度包围盒摘要现有的旋转目标探测器大多继承了水平探测范式，后者已经发展成为一个成...

Oriented R-CNN for Object Detection 论文解读_长歌丶采薇的博客-CSDN博客Oriented R-CNN：面向旋转目标检测的 R-CNN（ICCV2021）_凌青羽的博客-CSDN博客本博客是直接翻译的结果，翻译过程难免会有不准确，可评论指出。摘要目前最先进的两级探测器通过耗时的方案产生定向建议。这降低了探测器的速度，从而成为高级面向对象检测系统的计算瓶颈。本文提出了一种有效且简单的定向对象检测框架，即定 向R-CNN，它是一种通用的...