LO-Det:遥感图像中的轻量级旋转目标检测
计算机视觉与模式识别
2022-09-19 v1
摘要
近期已有若干轻量级卷积神经网络(CNN)模型被设计用于遥感目标检测(RSOD)。然而,其中多数仅以堆叠可分离卷积简单替换原始卷积,可能因大量精度损失而低效,且可能无法检测旋转边界框(OBB)。此外,现有OBB检测方法难以准确约束CNN预测的目标形状。本文提出一种高效的轻量级旋转目标检测器(LO-Det)。具体而言,设计通道分离聚合(CSA)结构以简化堆叠可分离卷积的复杂度,并发展动态感受野(DRF)机制,在降低网络复杂度时通过动态定制卷积核及其感知范围来维持高精度。CSA-DRF组件在保持高精度的同时优化效率。随后,设计对角支撑约束头(DSC-Head)组件以更准确稳定地检测OBB并约束其形状。在公开数据集上的大量实验表明,所提LO-Det即使在嵌入式设备上也能非常快速地运行,且具备有竞争力的旋转目标检测精度。
引用
@article{arxiv.2209.07709,
title = {LO-Det: Lightweight Oriented Object Detection in Remote Sensing Images},
author = {Zhanchao Huang and Wei Li and Xiang-Gen Xia and Hao Wang and Feiran Jie and Ran Tao},
journal= {arXiv preprint arXiv:2209.07709},
year = {2022}
}
备注
15 pages