用于目标检测的 Oriented R-CNN
计算机视觉与模式识别
2021-08-13 v1
摘要
当前最先进的两阶段检测器通过耗时的方案生成有向候选框。这降低了检测器的速度，从而成为高级有向目标检测系统中的计算瓶颈。本文提出一种有效且简单的有向目标检测框架，称为 Oriented R-CNN，它是一种具有良好精度与效率的通用两阶段有向检测器。具体而言，在第一阶段，我们提出有向区域提议网络（oriented RPN），以近乎零成本的方式直接生成高质量有向候选框。第二阶段是有向 R-CNN 头部，用于细化有向感兴趣区域（oriented RoIs）并对其进行识别。无需技巧，采用 ResNet50 的 Oriented R-CNN 在两个常用的有向目标检测数据集（包括 DOTA（75.87% mAP）和 HRSC2016（96.50% mAP））上取得了最先进的检测精度，同时在单块 RTX 2080Ti 上以 10241024 的图像尺寸达到 15.1 FPS 的速度。我们希望我们的工作能够启发对有向检测器设计的重新思考，并作为有向目标检测的基线。代码见 https://github.com/jbwang1997/OBBDetection。
引用
@article{arxiv.2108.05699,
title = {Oriented R-CNN for Object Detection},
author = {Xingxing Xie and Gong Cheng and Jiabao Wang and Xiwen Yao and Junwei Han},
journal= {arXiv preprint arXiv:2108.05699},
year = {2021}
}
备注
ICCV 2021