用于多方向目标检测的旋转特征网络
计算机视觉与模式识别
2019-03-28 v2
摘要
常规检测器遵循从 ConvNets 提取的特征图由分类和回归任务共享的流程。然而，在多方向目标检测中存在明显的冲突要求，即分类对方向不敏感，而回归对方向非常敏感。为了解决这个问题，我们提供了一种 Encoder-Decoder 架构，称为旋转特征网络（RFN），它为回归生成旋转敏感特征图（RS），为分类生成旋转不变特征图（RI）。具体来说，Encoder 单元为旋转特征图分配权重。Decoder 单元分别对旋转和重新加权的特征图执行恢复算子以提取 RS 和 RI。为了使旋转不变特性更可靠，我们采用了一种度量方法，通过在损失函数中添加约束项来定量评估旋转不变性，从而产生了有前景的检测性能。与 SOTA 方法相比，我们的方法在 NWPU VHR-10 和 RSOD 数据集上取得了显著提升。我们进一步在遥感图像的场景分类和自然图像的目标检测中评估了 RFN，证明了其良好的泛化能力。所提出的 RFN 可以集成到现有框架中，仅以模型复杂度的轻微增加即可带来出色的性能。
引用
@article{arxiv.1903.09839,
title = {Rotated Feature Network for multi-orientation object detection},
author = {Zhixin Zhang and Xudong Chen and Jie Liu and Kaibo Zhou},
journal= {arXiv preprint arXiv:1903.09839},
year = {2019}
}
备注
9 pages, 7 figures