面向定向密集排布目标检测的动态细化网络
计算机视觉与模式识别
2020-06-12 v2
摘要
目标检测在过去十年取得了显著进展。然而，由于以下固有原因，定向且密集排布目标的检测仍具挑战性：（1）神经元的感受野均为轴对齐且形状相同，而目标通常具有多样形状并沿不同方向排列；（2）检测模型通常以通用知识训练，在测试时未必能很好泛化以处理特定目标；（3）有限的数据集阻碍了该任务的发展。为解决前两个问题，我们提出一种动态细化网络，其由两个新颖组件构成，即特征选择模块（FSM）与动态细化头（DRH）。我们的 FSM 使神经元能依据目标对象的形状与方向调整感受野，而 DRH 赋予模型以对象感知方式动态细化预测的能力。为解决相关基准稀缺问题，我们收集了一个广泛且全标注的数据集，即 SKU110K-R，其基于 SKU110K 以有向边界框重新标注。我们在若干公开基准（包括 DOTA、HRSC2016、SKU110K 及我们自建的 SKU110K-R 数据集）上进行定量评估。实验结果表明，相较基线方法，我们的方法取得一致且显著的增益。代码与数据集见 https://github.com/Anymake/DRN_CVPR2020。
引用
@article{arxiv.2005.09973,
title = {Dynamic Refinement Network for Oriented and Densely Packed Object Detection},
author = {Xingjia Pan and Yuqiang Ren and Kekai Sheng and Weiming Dong and Haolei Yuan and Xiaowei Guo and Chongyang Ma and Changsheng Xu},
journal= {arXiv preprint arXiv:2005.09973},
year = {2020}
}
备注
Accepted by CVPR 2020 as Oral