目录

旋转目标检测rotation-yolov5

旋转目标检测综述

SSA旋转目标检测

---

旋转目标检测rotation-yolov5

旋转目标检测rotation-yolov5笔记_AI视觉网奇博客-CSDN博客_yolov5旋转目标检测

旋转目标检测综述

旋转目标检测综述(持续更新)_杀生丸变成了叔叔的博客-CSDN博客_旋转目标检测

七、R3det（19单阶） 1.表示方法和框架: 2.Rotation RetinaNet 3.Refined Rotation RetinaNet 4.Feature Refinment Module 5.实验 八、CAD-Net（19,69.9map） 1.整体组成 2.实验结果 九、 ROI-Transformer(CVPR19) 1.旋转anchor缺点 2.STN可变形卷积 3.RoI transformer 3.1RRoI Learner 3.2 Rotated Position Sensitive RoI Align 4.实验结果 十、 RSDet(19.12,DOTA上mAP74.1) 十一、SCRDet(ICCV2019,75.35） 1.前身：R2CNN 2.SCRDet: 1. SF-Net 2. MAD-Net 3. IoU-Smooth L1 Loss 4. 实验结果 十二.滑动顶点(Gliding vertex,2020CVPR,75.02) 1.网络结构 2.生成标签 3.损失函数 4.测试和实验 十三.P-RSDet(CVPR2020,DOTA上mAP72.3) 1.framework 2.极值提取（pole point extraction） 3.损失函数 4.实验结果 2.读入数据

SSA旋转目标检测

开源地址：

GitHub - csuhan/s2anet: Official code of the paper "Align Deep Features for Oriented Object Detection"

一、简要

为了解决这个问题，一些研究人员提出了一个问题Single-shot Alignment Network(S2A-Net)，由两个模块组成：一个特征对齐模块(FAM)定向检测模块(ODM)。FAM可以通过anchor优化网络生成高质量的优化网络anchor，并根据anchor boxes与新提出的对齐卷积来自适应对齐卷积特征。ODM首先采取主动active rotating filters编码方向信息，然后产生方向敏感和方向不变的特征，以缓解分类分数与定位精度的不一致性。此外，研究人员还进一步探索了在大尺寸图像中检测物体的方法，从而更好地权衡速度和精度。

大量的实验表明，种常用的数据集可以采用新的方法(DOTA和HRSC实现2016年最先进的性能，同时保持高效率！

二、背景

与基于R-CNN与探测器相比，one-stage探测器返回边界框，并直接使用常规和密集的采样anchor对它们进行分类。该架构计算效率高，但精度往往落后于[G.-S. Xia, X. Bai, J. Ding, Z. Zhu, S. Belongie, J. Luo, M. Datcu, M. Pelillo, and L. Zhang, “DOTA: A large-scale dataset for object detection in aerial images,” inCVPR, 2018]。如下图所示，认为one-stage探测器出现严重错位。

• 启发定义anchor低质量，无法覆盖目标，导致目标和anchor之间的错位。例如，桥的展宽比通常在1/3到1/30之间，只有少数anchor甚至没有anchor可校准。这种错位通常会加剧前景背景的不平衡，阻碍性能。

• 主网络的卷积特征通常与固定的接受场轴对齐，而航空图像中的目标分布在任何方向和不同的外观上。即使是anchor boxes被分配给高可信度的例子(即IoU），anchor boxes卷积特征之间仍存在错位。换句话说，anchor boxes在某种程度上，很难表达整个目标。因此，最终分类分数不能准确反映定位精度，这也阻碍了后处理阶段的检测性能(如NMS）。

不同方法在相同设置下的性能比较

三、新框架分析

• RetinaNet as Baseline

注意，RetinaNet通用目标检测设计，输出水平边界框（如下图(a)）表示为：

为了与目标检测兼容，研究人员将取代定向边界框RetinaNet回归输出。如上图所示(b)，表示为：

事实上，它增加了角度参数θ范围[-π/4，3π/4]。

• Alignment Convolution

直接上图，看图说话。

如图所示。特征图上通过规则网格的标准卷积样本。DeformConv学习偏移场来增加空间采样位置。然而，它可能会在错误的地方采样，特别是对于包装密集的物体。研究人员提出AlignConv添加额外的偏移字段anchor boxes引导提取网格分布的特征。DeformConv不同，AlignConv中间的偏移字段直接从anchor boxes推断出来的。上图中的例子。(c)和(d)说明了AlignConv可以在anchor boxes提取准确的特征。

(a)二维卷积(绿点)是常规采样位置的标准。(b)为Deformable Convolution，采样位置(蓝点)可变形。(c)和(d)这是研究人员提出的水平和旋转anchor boxes(AB)蓝色箭头表示偏移字段的两个例子(橙色矩形)。

• Feature Alignment Module (FAM)

采用输入特性和anchor预测。映射为输入，产生对齐特征。

• Oriented Detection Module (ODM)

ODM以缓解分类分数与定位精度的不一致性，然后进行精确的目标检测。

四、实验和可视化

不同的RETINANET在DOTA数据集中的结果

研究人员将大图像切割成1024×1024chip步长为824的图像和大尺寸图像chip图像输入相同的网络，检测结果(如红框中的灰机)可以不调整大小。

不同的方法在DOTA数据集上的结果

在HRSC2016数据上的测试结果