任意方向边界框——day64 读论文：基于自适应目标定位特征卷积神经网络的高分辨率遥感影像多面向目标检测

基于自适应目标定位特征卷积神经网络的高分辨率遥感影像多面向目标检测

1. Introduction

• high spatial resolution remote sensing images (HSRIs)

在图1a中，对于宽高比大的相邻船只有一个漏检。 船舶的检测结果存在较大的冗余区域。 因此，对于HSRIS的目标检测，基于CNN的目标检测框架需要使用面向包围盒(OBB)来提高对大纵横比密集目标的检测精度，如图1b所示。

• 接下来第二节介绍了CNN-AOOF框架；第三、第四节介绍了所用数据集和实验，第五节是实验总结，出于数据集可能是专门为这个框架适配，我们直接跳过3、4、5节，只看2节。

2. Materials and Methods

通过两个步骤得到CNN-AOOF框架：

1. 首先，提出了自适应的面向对象回归方法。
2. 其次，采用自适应的面向对象回归方法设计了CNN-AOOF框架。

2.1. The Adaptive Object Orientation Regression Method

为了更好地耦合HSRIS中的目标区域，本文提出了自适应目标定向回归方法。

1. 在自适应目标定向回归方法中，采用五个参数(X，Y，W，H，θ) 对目标区域进行训练和回归 。

2. (x,y)是坐标系物体中心点的位置；(w,h)代表边界框的宽高；

   **θ∈(0, π/2]**表示从x轴到y轴顺时针旋转的角度。

3. 在遥感图像处理中 ，坐标轴如下图，原点在左上角，水平为x轴，垂直为y轴。

使用目标区域的四个角点坐标可以绘制定向包围盒。 其计算公式如下：

其中(XP1，YP1)、(XP2，YP2)、(XP3，YP3)和(XP4，YP4)分别是对象区域的四个点P1、P2、P3和P4的坐标

• 基于锚点对三个目标区域进行训练和回归。 在输出特征图的每个位置，有3×(5+1+Class Number)x输出。 每个锚的前五个x用于计算(Ox，Oy，Ow，Oh，Oθ)

  

  2.2. CNN-AOOF Framework Design

CNN-AOOF框架是一个单阶段目标检测器

1. 三个锚的大小是 ：116 pixels × 90 pixels, 156 pixels × 198 pixels, and 373 pixels × 326 pixels，就如图右上角虚线框内的。

2. 第一次上采样：13 x 13 与 26 x 26结合，形成一个新的26x26的特征图

3. Loss Function：

   

5. Conclusions and Future Work

针对HSRIS目标检测中目标定位的多角度特征，提出了一种基于自适应目标定位特征卷积神经网络（CNN-AOF）的HSRIS目标检测方法。

首先，提出了一种自适应的目标定位回归方法，以获得任意方向上的目标区域。

然后，利用自适应目标定向回归方法设计了一个用于HSRIS目标检测的CNN框架。

为了验证CNN-AOF的目标检测有效性，本文采用WHU-RSONE-OBB、UCAS-AOD、HSRC2016和DOTA数据集对CNN-AOF和一些现有的目标检测算法进行了定性和定量的比较。

实验结果表明，CNN-SOSF算法优于现有的其他目标检测算法，对于HSRIS的不同目标检测数据集，能够准确地检测出大纵横比和密集分布的目标。 目标锚定尺度是影响HSRIS目标检测结果的重要因素。

在以后的工作中，将研究如何针对不同的目标检测任务自适应地调整所提方法中的目标锚定尺度，以获得更准确的目标检测结果。

Data Availability Statement:

WHU-RSONE-OBB, UCAS-AOD, HSRC2016 and DOTA can be down-
loaded at https://pan.baidu.com/s/1_Gdeedwo9dcEJqIh4eHHMA (accessed on 1 January 2022)
(password: 1234), https://github.com/fireae/UCAS-AOD-benchmark (accessed on 1 January 2022),
https://sites.google.com/site/hrsc2016/ (accessed on 1 January 2022) and https://captain-whu.
github.io/DOTA/index.html (accessed on 1 January 2022), respectively.