目标检测经典作：有向目标检测方法Oriented R-CNN

来源：投稿 作者：摩卡
编辑：学姐

Motivation

由于当前的旋转目标检测模型(e.g., Rotated RPN, RoI Transformer)通过引入大量不同大小、角度的Anchors以此提升旋转目标检测的性能，或者是在生成水平Anchors的基础上进行RoI Alignment从而生成更精准的Oriented Anchors. 但是上述的这些方法在预测出更精细Oriented Anchors的同时也耗费了大量的计算资源。

为了提出一个优雅且高效的旋转目标检测框架，通过本文的调查，发现主要限制当前模型速度的阶段是候选框生成阶段，所以能否设计一个简单、通用的有向候选框生成方法，用于直接生成高质量候选框呢？

本文提出了一种有向目标检测方法 「Oriented R-CNN」。

Method

本文提出了一个两阶段的有向目标检测方法Oriented R-CNN。Oriented R-CNN由Oriented RPN (Oriented Region Proposal Network)和Oriented R-CNN Head构成。

首先通过Oriented RPN (Oriented Region Proposal Network)生成高质量有向候选框，然后通过Rotated RoIAlign提取固定大小尺寸的特征，最后将这些特征作为有向头检测的输入，执行分类和回归。网络框架图如下所示：

Oriented RPN是在RPN网络上构建的，拓展了RNP回归分支的输出维度(由原来的4个变为6个)以此来生成有向候选框。对于每个位置的Anchor, Oriented RPN输出为(x, y, w, h,Δα , Δβ), 其中(x, y)为有向候选框的中心坐标，w, h表示有向候选框的宽和高。

(Δα , Δβ ), 表示有向候选框外接矩形顶边和右边的偏移。接下来通过Midpoint Offset Representation得到有向候选框的顶点坐标集ν={ν1，ν2，ν3，ν4}。

这样就在原有水平候选框回归的基础上，回归任意两条相邻边中点的偏移，就能实现有向候选框的生成。结果如下图所示：

「Oriented R-CNN Head」: 在此阶段本文先进行候选框调整操作，将上述提到的有向候选框的顶点坐标集ν={ν1，ν2，ν3，ν4}由平行四边形转换为矩形(将平行四边形较长的对对角线作为调整为矩形的对角线)。

然后对所有调整后的后有向候选框进行rotated RoI alignment操作，将得到的特征图作为有向检测头的输入，执行分类和回归任务。

「Results」: Oriented R-CNN在DOTA和HRSC2016 两个数据集上进行验证。

表1：Oriented R-CNN在DOTA数据集的结果。‡表示使用多尺度训练多尺度测试。

表2：Oriented R-CNN在HRSC2016数据集的结果。

表3：Oriented R-CNN与其他有向目标检测方法在速度方面的对比(DOTA数据集)。

由上述实验结果可以看出Oriented R-CNN是一个提升有向目标检测效率的同时还兼顾检测精度的模型。

关注下方【学姐带你玩AI】🚀🚀🚀

回复“500”领取200+篇必读论文（含目标检测）

码字不易，欢迎大家点赞评论收藏！