通过 Kullback-Leibler 散度学习用于旋转目标检测的高精度边界框

现有旋转目标检测器大多继承自水平检测范式，因为后者已发展为一个成熟领域。然而，由于当前回归损失设计的局限，这些检测器难以在高精度检测中表现突出，尤其对于大长宽比物体。鉴于水平检测是旋转目标检测的特殊情形，本文中我们受动机驱使，从旋转与水平检测间关系的角度，将旋转回归损失的设计从归纳范式改为演绎方法。我们指出一个本质挑战是如何调制旋转回归损失中耦合的参数，使得估计参数在动态联合优化中以自适应和协同的方式相互影响。具体而言，我们首先将旋转边界框转换为二维高斯分布，然后计算高斯分布间的 Kullback-Leibler 散度（KLD）作为回归损失。通过分析各参数的梯度，我们表明 KLD（及其导数）可根据物体特征动态调整参数梯度。它将根据长宽比调整角度参数的重要性（梯度权重）。该机制对高精度检测至关重要，因为轻微角度误差会对大长宽比物体造成严重精度下降。更重要的是，我们证明了 KLD 是尺度不变的。我们进一步表明 KLD 损失可退化为水平检测中流行的 $l_{n}$-范数损失。在七个数据集上使用不同检测器的实验结果表明其一贯优越性，代码见 https://github.com/yangxue0827/RotationDetection 和 https://github.com/open-mmlab/mmrotate。