SOOD++：利用无标签数据提升倾斜目标检测
计算机视觉与模式识别
2025-09-26 v2
摘要
半监督目标检测(SSOD)通过利用无标签数据来提升目标检测器，近年来成为热门话题。然而，现有SSOD方法主要关注水平目标，忽略了航空图像中常见的倾斜目标。同时，倾斜目标的标注成本显著高于其水平对等物。因此，本文提出一种简单而有效的半监督倾斜目标检测方法，称为SOOD++。具体而言，我们观察到航空图像中的目标通常具有任意方向、小尺度和稠密分布，这启发我们 следующие核心设计：采用简单实例感知稠密抽样(SIDS)策略以生成全面稠密伪标签；几何感知自适应加权(GAW)损失通过利用航空目标的复杂几何信息动态调节每个伪标签与对应预测之间的重要性；我们将航空图像视为全局布局，显式构建伪标签集合与预测集合之间的许多对多关系，通过提出的噪声驱动全局一致性(NGC)实现。在各种倾斜目标数据集上进行的广泛实验表明，我们的方法在各种标记设置下均表现出色。例如，在DOTA-V2.0/DOTA-V1.5基准测试中，在10%、20%和30%标记数据设置下，单尺度训练和测试下，所提出的方法分别比以往最先进(SOTA)方法提高了+2.90/2.14、+2.16/2.18和+2.66/2.32个mAP。更重要的是，在使用完整DOTA-V1.5训练-验证集训练的强监督基线模型上，我们的方法仍实现了+1.82 mAP的提升，最终达到72.48 mAP，刷新了新的最佳纪录。项目页面位于https://dk-liang.github.io/SOODv2/。
引用
@article{arxiv.2407.01016,
title = {SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection},
author = {Dingkang Liang and Wei Hua and Chunsheng Shi and Zhikang Zou and Xiaoqing Ye and Xiang Bai},
journal= {arXiv preprint arXiv:2407.01016},
year = {2025}
}
备注
Accepted by IEEE TPAMI. The project page is at https://dk-liang.github.io/SOODv2/