基于豪斯多夫距离匹配与自适应查询去噪的旋转检测 Transformer

Detection Transformers (DETR) 近期在目标检测中树立了新基准。然而，其在旋转目标检测上的性能落后于成熟的定向目标检测器。我们的分析确定了一个关键现象：二分匹配中的边界不连续与类方问题导致难以将合适的真实框分配给预测，从而产生重复的低置信度预测。为此，我们引入基于豪斯多夫距离（Hausdorff distance）的二分匹配代价，能更准确地量化预测与真实框间的差异。此外，我们发现静态去噪方法阻碍了旋转 DETR 的训练，尤其在检测器预测质量开始超过加噪真实框质量时。为克服此问题，我们提出一种自适应查询去噪方法，利用二分匹配选择性剔除有损模型提升的加噪查询。相较于采用 ResNet-50 骨干的模型，我们所提模型取得显著提升，在 DOTA-v2.0、DOTA-v1.5 和 DIOR-R 上分别实现 $\textbf{+4.18}$ AP$_{50}$、$\textbf{+4.59}$ AP$_{50}$ 和 $\textbf{+4.99}$ AP$_{50}$。