利用知识组合在无旋转标注下学习旋转检测
计算机视觉与模式识别
2023-05-05 v2
摘要
旋转边界框大幅降低了细长目标的输出歧义，优于轴对齐边界框。尽管有效，旋转检测器并未被广泛采用。标注旋转边界框极为费力，许多检测数据集未提供而改用轴对齐标注。本文提出一种框架，使模型仅需目标数据集更廉价的轴对齐标注即可预测精确旋转框。为实现此点，我们利用神经网络能学习比任务所用更丰富的目标域表示这一事实。未充分利用的表示可被挖掘以解决更细致的任务。我们的框架将具有更强标注的域外源数据集的任务知识与具有较弱标注的目标数据集的域知识相结合。一种新颖的分配过程与投影损失被用于实现源与目标数据集的协同训练。结果，模型能在目标域解决更细致任务，且推理时无额外计算开销。我们在包括生鲜数据集、HRSC2016与SSDD的多个目标数据集上广泛评估该方法。结果显示所提方法与全监督方法性能相当。
引用
@article{arxiv.2304.02199,
title = {Knowledge Combination to Learn Rotated Detection Without Rotated Annotation},
author = {Tianyu Zhu and Bryce Ferenczi and Pulak Purkait and Tom Drummond and Hamid Rezatofighi and Anton van den Hengel},
journal= {arXiv preprint arXiv:2304.02199},
year = {2023}
}
备注
10 pages, 5 figures, Accepted by CVPR 2023