O2MER

阅读量

Learning Oriented Remote Sensing Object Detection via Naive Geometric Computing

Introduction

作者把目前的遥感检测模型的回归方式分成了三类

  • 单独回归角度的
  • 分类角度的
  • 通过坐标回归的

但是这些方法其实都不是很鲁棒，作者的想法就是结合水平预测的区域与任意方向的请些区域预测的坐标关系使得函数更加鲁棒

本篇论文的贡献：

  • 开始联系水平候选区域，任意方向候选区域与角度之间的关系
  • 提出了使用这种关系的函数，以及设计了一种新的匹配规则
  • 提出的方法只需要简单的几何计算

Methodology

image-20220207144718642

该框架以RoI transformer为框架，在原有的基础上添加了一个Consistent Geometric Constraint Loss

Consistent Geometric Constraint Loss

具体的做法就是将预测的任意方向的候选框通过公式计算成水平框
$$
w_ℎ=w_o×cos⁡(θ)+h_o×|sin⁡(θ)|
$$

$$
hℎ=w_o×|sin⁡(θ) |+h_o×cos⁡(θ)
$$

之后再将计算的bbox与水平方向的bbox进行IoU loss的计算就得到了新的loss

Oriented Center Prior Guided Label Assignment

除此之外，作者认为第一阶段的水平框正负样本分配方式存在着一定的问题，

所以又自行进行样本策略的分布设计

image-20220207144816850
$$ d_{gℎ}=(c_g∩c_h)/(c_g∪g_h) $$

$$
d_{go}=(c_g∩g_o)/g_o
$$

其实就是添加了交并比的计算

Experiments

image-20220207144939440

扫一扫，分享到微信

微信分享二维码

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

很惭愧<br>这只是作者的备忘录<br>如有帮助<br>不胜荣幸