用高斯 Wasserstein 距离损失重新思考旋转目标检测
计算机视觉与模式识别
2022-04-19 v4 人工智能
摘要
边界不连续及其与最终检测度量不一致一直是旋转检测回归损失设计的瓶颈。本文中，我们提出一种基于高斯 Wasserstein 距离的新型回归损失，作为解决该问题的基本方法。具体而言，旋转边界框被转换为二维高斯分布，这使得能够通过高斯 Wasserstein 距离（GWD）来近似不可微的旋转 IoU 诱导损失，该距离可通过梯度反向传播高效学习。即使两个旋转边界框之间无重叠（这在小目标检测中常有发生），GWD 对学习仍具信息性。得益于其三个独特性质，GWD 还能优雅地解决边界不连续与类方形问题，而无论边界框如何定义。在五个数据集上使用不同检测器的实验显示了我们方法的有效性。代码见 https://github.com/yangxue0827/RotationDetection 与 https://github.com/open-mmlab/mmrotate。
引用
@article{arxiv.2101.11952,
title = {Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss},
author = {Xue Yang and Junchi Yan and Qi Ming and Wentao Wang and Xiaopeng Zhang and Qi Tian},
journal= {arXiv preprint arXiv:2101.11952},
year = {2022}
}
备注
15 pages, 6 figures, 9 tables, accepted by ICML21, codes are available at https://github.com/yangxue0827/RotationDetection and https://github.com/open-mmlab/mmrotate