朝向目标检测中的旋转不变性
计算机视觉与模式识别
2021-10-04 v2
摘要
旋转增强通常能提升模型对旋转的不变性/等变性——但在目标检测中例外。在目标检测中形状未知,因此旋转会产生标签歧义。我们表明,边界框标签旋转的既定方法——最大框方法——会产生非常大的标签,导致性能不佳,且在许多情况下比完全不使用旋转更差。我们提出了一种可数行代码实现的旋转增强新方法。首先,我们创建标签精度的可微近似,并证明围绕椭圆对齐坐标轴是最优的。随后我们引入旋转不确定性(RU)损失,使模型能适应标签的不确定性。在五个不同数据集(包括COCO、PascalVOC和透明物体分拣)上,该方法在以AP、AP50和AP75衡量时,提升了一阶段和两阶段架构的旋转不变性。代码见 https://github.com/akasha-imaging/ICCV2021。
引用
@article{arxiv.2109.13488,
title = {Towards Rotation Invariance in Object Detection},
author = {Agastya Kalra and Guy Stoppi and Bradley Brown and Rishav Agarwal and Achuta Kadambi},
journal= {arXiv preprint arXiv:2109.13488},
year = {2021}
}
备注
Accepted ICCV 2021