【目标检测】旋转框目标检测框架划分及典型网络

根据目标检测框架对部分旋转框目标检测网络进行划分，并介绍了每种框架的典型网络

1、anchor-base

单阶段

YOLO

图像划分为S*S网格，每个网格负责预测中心点落在该网格内的目标；预测B个边界框（每个包含目标位置和置信度）和C个类别的概率

SSD（ECCV 2016）

多尺度检测：在不同特征图上进行检测，浅层特征图用于检测小目标，深层特征图用于检测大目标
先验框：每个特征图的每个位置预先设置不同长宽比的矩形框，作为检测目标的初始位置，通过卷积操作对这些先验框进行调整，得到最终的预测框

RetinaNet（ICCV 2017）

网络改进不大，单阶段精度首次超过两阶段网络。提出Focal loss改善样本不平衡，达到和两阶段算法同等的精度。

S2A-Net (TGRS 2021)

特征对准模块(FAM)。FAM可以通过锚点细化网络(ARN)生成高质量锚点，并通过对齐卷积(AlignConv)根据相应的ABs自适应对齐特征
定向检测模块(ODM)。采用主动旋转滤波器（ARF）对方向信息进行编码，生成敏感特征，然后通过池化方向敏感特征提取方向不变特征。最后，我们将这些特征输入一个回归子网络和一个分类子网络来产生最终的预测

R3Det（AAAI 2021）

结合水平anchor的高召回率和旋转anchor对密集的适应性两方面的有点，第一阶段使用水平anchor获得更快的速度和更多的proposals，在refinement stage使用了refined 旋转anchors以适应密集场景； 此外，设计了特征精细化模块(FRM),利用特征插值获得refined anchor的位置信息，然后对特征图进行重建以实现特征对齐。

多阶段

RRPN

通过生成更加密集的旋转Anchor 来适应旋转框检测的任务

Rol Transformer（CVPR’2019）

提出了一个旋转RoI的监督学习器，可以将HRoIs转化到RRoIs。
设计了一个旋转位置敏感的RoI Align模块用于空间不变性特征提取，可以保证高效率和低复杂度。

Oriented RCNN（ICCV 2021）

1、SS搜寻目标区域；2、缩放，特征提取；3、SVM

Oriented Faster RCNN（TPAMI 2017）

1、RPN生成潜在目标区域；2、区域特征提取；3、Roi Pooling RCNN进行分类和细化回归

2、anchor-free

center-based

FCOS（ICCV 2019）

预测目标中心点和到边界距离

Keypoints-based

RepPoints（ICCV 2019）

预测9个点，每个location位置预测出9对偏移量，类似于可变形卷积

RepPoints v2 （NeurIPS 2020）

与RepPoints不同，RepPoints V2中将点集的前两个点定义为左上角点和右下角

Oriented RepPoints（CVPR 2022）

改进3种定向转换函数，改进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ASPP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

CornerNet（ECCV 2018）

左上角和右下角这样的一对keypoints来检测目标，两个heatmap来表示同类物体的corners信息，一个用于所有实例左上角信息，一个用于所有实例右下角信息；每一个corner预测一个嵌入向量用于两个corner的匹配

3、DETR-based

Detection Transformer

DETR（ECCV2020）

不需要设置先验anchor，不需要nms