基于尺度不变马氏距离的天基图像旋转目标检测
计算机视觉与模式识别
2022-10-05 v2 人工智能
摘要
航拍图像中的旋转目标检测是一项有意义且具有挑战性的任务，因为目标密集排列且具有任意方向。旋转目标检测中的八参数（边界框向量坐标）方法通常使用 ln 范数损失（L1 损失、L2 损失和平滑 L1 损失）作为损失函数。由于 ln 范数损失主要基于非尺度不变的 Minkowski 距离，使用 ln 范数损失会导致与检测度量旋转交并比（IoU）不一致以及训练不稳定。为解决这些问题，我们利用马氏距离计算预测框与目标框顶点向量之间的损失，提出一种称为马氏距离损失（MDL）的新损失函数用于八参数旋转目标检测。由于马氏距离具有尺度不变性，MDL 比 ln 范数损失更符合检测度量且在训练时更稳定。为缓解与其他所有八参数方法一样的边界不连续问题，我们进一步取最小损失值使 MDL 在边界情况下连续。我们在 DOTA-v1.0 上以所提方法 MDL 取得了最先进的性能。此外，与采用平滑 L1 损失的实验相比，我们发现 MDL 在旋转目标检测中表现更优。
引用
@article{arxiv.2204.00840,
title = {Rotated Object Detection via Scale-invariant Mahalanobis Distance in Aerial Images},
author = {Siyang Wen and Wei Guo and Yi Liu and Ruijie Wu},
journal= {arXiv preprint arXiv:2204.00840},
year = {2022}
}
备注
5 pages, 7 figures