重新思考有向目标检测中的边界不连续性问题

近年来，有向目标检测发展迅速，其中旋转等变性对于检测器预测旋转框至关重要。期望预测能在目标旋转时保持相应的旋转，但当目标在边界角度附近旋转时，有时会观察到角度预测的严重突变，这就是众所周知的边界不连续性问题。长期以来，人们一直认为该问题是由角度边界处损失的急剧增加引起的，且广泛使用的联合优化类 IoU 方法通过损失平滑来处理此问题。然而，我们通过实验发现，即使是最先进的类 IoU 方法实际上也未能解决该问题。在进一步分析中，我们发现解决问题的关键在于平滑函数的编码模式，而非联合或独立优化。在现有的类 IoU 方法中，模型本质上试图拟合框与目标之间的角度关系，其中角度边界处的断点使得预测高度不稳定。为了解决这个问题，我们提出了一种角度的双优化范式。我们将可逆性和联合优化从单一平滑函数中解耦为两个独立的实体，首次同时实现了纠正角度边界和将角度与其他参数融合的目标。在多个数据集上的大量实验表明，边界不连续性问题得到了很好的解决。此外，典型的类 IoU 方法被改进到了相同的水平，没有明显的性能差距。代码可在 https://github.com/hangxu-cv/cvpr24acm 获取。