基于表示不变性损失的任意朝向目标检测优化
计算机视觉与模式识别
2021-10-07 v3
摘要
任意朝向目标广泛存在于自然场景中，因此朝向目标检测近年来受到广泛关注。主流旋转检测器使用有向边界框（OBB）或四边形边界框（QBB）来表示旋转目标。然而，这些方法存在朝向目标定义的表示歧义，导致次优的回归优化以及损失度量与预测定位精度之间的不一致。本文提出一种表示不变性损失（RIL）来优化旋转目标的边界框回归。具体而言，RIL 将一个朝向目标的多种表示视为多个等价的局部极小值，从而将边界框回归转化为与这些局部极小值的自适应匹配过程。随后采用匈牙利匹配算法获得最优回归策略。我们还提出一种归一化旋转损失，以缓解 OBB 表示中不同变量间弱相关及其损失贡献不平衡的问题。在遥感数据集与场景文本数据集上的大量实验表明，我们的方法取得了稳定且显著的提升。源代码与训练模型可在 https://github.com/ming71/RIDet 获取。
引用
@article{arxiv.2103.11636,
title = {Optimization for Arbitrary-Oriented Object Detection via Representation Invariance Loss},
author = {Qi Ming and Lingjuan Miao and Zhiqiang Zhou and Xue Yang and Yunpeng Dong},
journal= {arXiv preprint arXiv:2103.11636},
year = {2021}
}
备注
Accepted by IEEE Geoscience and Remote Sensing Letters.The code is available at https://github.com/ming71/RIDet