ABBSPO：基于自适应边界框缩放与对称先验的空中目标检测姿态预测
计算机视觉与模式识别
2025-12-12 v1 人工智能
摘要
弱监督有向目标检测（WS-OOD）因其高效性和高准确率而受到关注，作为完全监督方法的有力替代方案。尽管如此，水平边界框（HBox）监督的有向目标检测在弱监督设置下表现最佳，能够直接利用现有的HBox标注。本文引入自适应边界框缩放和对称先验姿态预测，称为ABBSPO，一个用于WS-OOD的框架。我们的ABBSPO解决了之前HBox监督的有向目标检测方法的局限性，这些方法直接将ground truth（GT）HBox与预测RBox的最小外接矩形进行比较，常导致不准确的尺度估计。为克服这一问题，我们提出：（i）自适应边界框缩放（ABBS），该方法适当地缩放GT HBox以优化每个预测RBox的大小，确保更准确的尺度预测；（ii）对称先验角（SPA）损失，该损失利用空中目标的内在对称性进行自监督学习，解决了在预测所有三个增强视图（原始、旋转和翻转）时预测一致错误导致学习崩溃的问题。广泛的实验结果表明，ABBSPO实现了最先进的性能，超过了现有方法。
引用
@article{arxiv.2512.10031,
title = {ABBSPO: Adaptive Bounding Box Scaling and Symmetric Prior based Orientation Prediction for Detecting Aerial Image Objects},
author = {Woojin Lee and Hyugjae Chang and Jaeho Moon and Jaehyup Lee and Munchurl Kim},
journal= {arXiv preprint arXiv:2512.10031},
year = {2025}
}
备注
17 pages, 11 figures, 8 tables, supplementary included. Accepted to CVPR 2025. Please visit our project page at https://kaist-viclab.github.io/ABBSPO_site/