其实解决这种问题的方法并不唯一,RRPN和R-DFPN在论文的loss公式中就判断了是不是在定义范围内,通过加减kπ来缓解这个问题,但这种做法明显不优美而且仍然存在问题,主要是较难判断超出预测范围几个角度周期。当然可以通过对角度部分的loss加一个周期性函数,比如tan、cos等三角函数来做,但是我在实际使用过程中常常出现不...
SCRDet:对小、杂乱和旋转的目标进行更鲁棒的检测 论文原文:https://arxiv.org/abs/1811.07126 代码地址:https://github.com/DetectionTeamUCAS 摘要 目标检测是计算机视觉领域的基石。尽管现在目标检测领域已经取得了巨大的进步,但是对于小型目标、杂乱密集分布和任意旋转方向的目标检测依然存在巨大的挑战。除了自...
其实解决这种问题的方法并不唯一,RRPN和R-DFPN在论文的loss公式中就判断了是不是在定义范围内,通过加减 k\pi 来缓解这个问题,但这种做法明显不优美而且仍然存在问题,主要是较难判断超出预测范围几个角度周期。当然可以通过对角度部分的loss加一个周期性函数,比如tan、cos等三角函数来做,但是我在实际使用过程中常常...
ICCV2019 | 论文阅读 SCRDet:Towards More Robust Detection for Small, Cluttered and Rotated Objects,程序员大本营,技术文章内容聚合第一站。
论文地址 code:UCAS-Det 作者单位:上海交通大学 中国科学院 1.简要 对于体积小、方向任意、分布密集的物体仍然存在挑战。除了自然图像,这类问题在非常重要的航拍图像中尤为突出。本文基于Fast-RCNN,设计了一种采样融合网络,将多层特征融合到有效的锚点采样中,以提高对小目标的灵敏度。探索了有监督像素注意网络和信道...
论文地址:https://arxiv.org/abs/1811.07126 代码地址:https://github.com/DetectionTeamUCAS 摘要: 物体检测一直是计算机视觉的基石。尽管已经取得了相当大的进步,但是对于具有小尺寸,任意方向和密集分布的物体仍然存在挑战。除了自然图像之外,这些问题对于非常重要的航拍图像尤其明显。本文介绍了一种用于小型,杂乱和旋转...
IoU-Smooth L1 Loss是为了解决旋转边界框角度预测的边界问题。传统的表示法可能导致不必要的损失，通过引入IoU因子，使得损失函数在边界情况下趋于平滑，回归任务与评估标准保持一致。虽然这个改动是在最后时刻加入的，却成为论文的关键部分。在实验部分，SCRDet在DOTA数据集上展示了竞争力，实现了当时的SOTA...
由于论文是基于Faster RCNN出发的,因此没有考虑FPN这种做法。但是在实际的应用过程中,用了这么多检测方法我还是觉得FPN真香,顺便给出两个我自己写的基于TF的两个代码(Faster RCNN和FPN),非常适合需要入门的人使用,欢迎star: https://github.com/DetectionTeamUCAS/Faster-RCNN_Tensorflow ...
论文地址:https://arxiv.org/abs/1811.07126 代码地址:https://github.com/DetectionTeamUCAS 摘要: 物体检测一直是计算机视觉的基石。尽管已经取得了相当大的进步,但是对于具有小尺寸,任意方向和密集分布的物体仍然存在挑战。除了自然图像之外,这些问题对于非常重要的航拍图像尤其明显。本文介绍了一种用于小型,杂乱和旋转...