1、Oriented RepPoints(CVPR’2022)
《Oriented RepPoints for Aerial Object Detection》
原文:https://arxiv.org/abs/2105.11111
源码:https://github.com/LiWentomng/OrientedRepPoints
之前的旋转目标检测主要是通过对目标框进行定位、分类以及回归预测出旋转角度,旋转方向的回归很多时候不太准确,RepPoints(目标检测】目标检测相关顶会原文、源码分享)使用点集对目标进行定位和结构表示,通过点集表示的目标结构直接回归出有方向的检测框,避免对角度的预测。
核心点:
在RepPoints的基础上改进3中定向转换函数,改进了RepPoints对关键点的监督,提出一种有效针对自适应点质量评估和样本分配方案APSS用于自适应点的监督,以在训练过程中筛选出有代表性的Oriented RepPoints样本,能够从相邻目标或背景噪声中获取非轴对齐的特征,同时引入空间约束来惩罚自适应点学习过程的异常点。
2、PSC (CVPR’2023)
Phase-Shifting Coder Predicting Accurate Orientation in Oriented Object Detection
原文:https://arxiv.org/abs/2211.06368.pdf
源码:https://github.com/open-mmlab/mmrotate/tree/dev-1.x/configs/psc
3、H2RBox (ICLR’2023)
原文:https://arxiv.org/pdf/2210.06742
源码:https://github.com/yangxue0827/h2rbox-mmrotate
https://github.com/open-mmlab/mmrotate/tree/1.x/configs/h2rbox
弱监督+自监督的旋转目标检测方法
弱监督分支
基准模型FCOS,由于是水平标注,无法直接使用旋转预测框和水平预测框计算损失,在预测之前先将旋转框转化为水平外界矩形,然后通过水平外界矩形与水平标注框计算损失,建立了预测旋转框和未标注的旋转框之间的联系。
自监督分支
自监督分支中只包含回归自网络,输出经过弱监督分支水平外接矩形约束的旋转预测框,再加上尺度约束和角度约束
4、H2RBox-v2 (NeurIPS’2023)
原文:https://arxiv.org/pdf/2304.04403
源码:https://github.com/yangxue0827/h2rbox-mmrotate
弱监督分支
V1弱监督分支需要把旋转框转化为水平框再计算IoU Loss,但是一旦使用随机旋转数据增强,标注框变为旋转框,v1版本无法使用旋转增强,因此v2提出了一种损失函数,直接计算外接关系的两个框之间的IoU损失
自监督分支
图像进行上下翻转和随机旋转,计算原图、上下翻转图和随机旋转图的损失函数