Oriented RepPoints for Aerial Object Detection的译读笔记

Oriented RepPoints for Aerial Object Detection

摘要

  与通用目标不同，航空目标通常不是正轴对齐而且具有任意的方向，且周围背景较为杂乱。与主流方法使用边界框方向回归，本文针对航空目标检测，提出一种高效的自适应点学习的方法，能够利用自适应点表征来捕获任意朝向实例的几何信息。为此，本文提出了三种方向转换函数，以增强方向准确的分类和定位。此外，本文提出一种高效的质量评估和样本分类方法用于自适应点学习，用于在训练期间选择具有代表性的 oriented reppoints samples ，从而能够从邻近目标或背景噪声中捕获非轴对齐的特征。本文还引入了一种空间约束来惩罚离群点，以实现鲁棒的自适应学习。实验使用了四个具有挑战性的航空数据集，包括DOTA、HRSC、UCAS-AOD和DIOR-R，展现了本文方法的有效性。源代码位于https://github.com/LiWentomng/OrientedRepPoints。

1. 引言

  作为一项重要的计算机视觉任务[4_DOTA&ODAI, 34_DOTA, 37_ClusDet]，航空目标检测最近引起了越来越多的关注，该任务在遥感图像理解中发挥着重要的作用。不同于通用目标检测，航空目标定位会有其独特的难点，包括具有任意方向的非轴对齐目标[3_RoITransformer, 9_ReDet, 24_DRN]
以及具有复杂上下文的密集紧凑分布[7_CFA, 37_ClusDet], 45_SCRDet]。
  主流方法通常将航空目标检测是做旋转目标定位[3_RoITransformer, 8_S2ANet, 9_ReDet, 24_DRN, 42_R3Det, 45_SCRDet]的问题。在这些工作中，基于直接回归角度的方法在该领域中占据了主导，这些方法源自常见的目标检测器[18_FPN, 19_RetinaNet, 28_FasterRCNN, 53_CenterNet]，并带有额外的方向参数。尽管取得了较好的性能，直接方向预测仍然存在一些问题，例如损失的不连续性和回归的不一致性[25_ModulatedRotationLoss, 40_DCL, 41_CSL, 43_GWD]
。这主要由角度方向的有界周期性质和旋转边界框的方向定义引起的。尽管这些定位结果看起来不错，但基于方向回归的检测器可能会无法准确地预测方向，如图1-(a)所示。

  为了有效地解决上述问题，本文重新审视了航空目标的表示，来避免较为敏感的方向估计。Point set作为一种细粒度的目标表示，在传统的通用检测器（例如RepPoints[46_RepPoints]）中，展示出捕获关键语义特征的巨大潜力。然而，去简单的转换函数金能产生 upright-horizontal 的边界框，而不能精确地估计航空目标的朝向。此外，RepPoints仅通过予以特征回归了关键点而忽视了对学习的关键点质量的有效评估。对于航拍图像中分布密集和背景复杂的非轴对齐的目标，这可能会导致较差的性能。
  本文提出了针对航拍图像提出了一种旋转目标检测模型，称为OrientedRepPoints，此方法引入了对多样的角度、形状和姿态的自适应点表示。