4 Multi－Scale Positive Sample Refinement for Few－Shot Object Detection

作者：Jiaxi Wu，Songtao Liu，Di Huang，Yunhong Wang

機(jī)構(gòu)：北京航空航天大學(xué)

簡(jiǎn)介：少鏡頭目標(biāo)檢測(cè)（FSOD）有助于檢測(cè)器適應(yīng)訓(xùn)練實(shí)例較少的看不見(jiàn)的類，在手動(dòng)標(biāo)注耗時(shí)或數(shù)據(jù)采集受限的情況下非常有用。與以往利用少量鏡頭分類技術(shù)來(lái)促進(jìn)FSOD的嘗試不同，本研究強(qiáng)調(diào)了處理尺度變化問(wèn)題的必要性，該問(wèn)題由于樣本分布的獨(dú)特性而具有挑戰(zhàn)性。為此，作者提出了一種多尺度正樣本優(yōu)化（MPSR）方法來(lái)豐富FSOD中的目標(biāo)尺度。它生成多尺度正樣本作為目標(biāo)金字塔，并在不同尺度上對(duì)預(yù)測(cè)進(jìn)行細(xì)化。作者通過(guò)將其作為一個(gè)輔助分支集成到流行的快速R－CNN和FPN架構(gòu)中，展示了它的優(yōu)勢(shì)，提供了一個(gè)強(qiáng)大的FSOD解決方案。在PASCAL－VOC和MS－COCO上進(jìn)行了多個(gè)實(shí)驗(yàn)，結(jié)果表明，該方法取得了最新的結(jié)果，顯著優(yōu)于其他同類方法，顯示了其有效性。

5 PIoU Loss： Towards Accurate Oriented Object Detection in Complex Environments

作者：Zhiming Chen，Kean Chen，Weiyao Lin，John See，Hui Yu，Yan Ke，Cong Yang

機(jī)構(gòu)：擴(kuò)博智能，上海交通大學(xué)

簡(jiǎn)介：使用定向包圍盒（OBB）進(jìn)行目標(biāo)檢測(cè)，可以減少與背景區(qū)域的重疊，從而更好地定位旋轉(zhuǎn)對(duì)象�，F(xiàn)有的OBB方法大多建立在水平包圍盒探測(cè)器上，通過(guò)引入一個(gè)額外的角度維度，通過(guò)距離損失來(lái)優(yōu)化。然而，由于距離損失只會(huì)最小化OBB的角度誤差，并且它與IoU松散相關(guān)，因此它對(duì)高寬高比的對(duì)象不敏感。因此，提出了一種新的損失，像素IoU（PIoU）損失，利用角度和IoU進(jìn)行精確的OBB回歸。PIoU損失由IoU度量導(dǎo)出，采用像素形式，簡(jiǎn)單易行，適用于水平和定向包圍盒。為了證明其有效性，作者評(píng)估了基于錨定和無(wú)錨框架的PIoU損失。實(shí)驗(yàn)結(jié)果表明，PIoU損耗可以顯著提高OBB探測(cè)器的性能，特別是對(duì)于高寬高比和復(fù)雜背景的目標(biāo)。此外，以前的評(píng)估數(shù)據(jù)集不包括對(duì)象具有高寬高比的場(chǎng)景，因此引入了一個(gè)新的數(shù)據(jù)集Retail50K，以鼓勵(lì)社區(qū)采用OBB檢測(cè)器來(lái)適應(yīng)更復(fù)雜的環(huán)境。

6 Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer

7 Probabilistic Anchor Assignment with IoU Prediction for Object Detection

8 HoughNet： Integrating near and long－range evidence for bottom－up object detection

9 OS2D： One－Stage One－Shot Object Detection by Matching Anchor Features

10 End－to－End Object Detection with Transformers

11 Dynamic R－CNN： Towards High Quality Object Detection via Dynamic Training

遙感旋轉(zhuǎn)目標(biāo)檢測(cè)

1 Arbitrary－Oriented Object Detection with Circular Smooth Label

作者：Yang Xue，Yan Junchi

機(jī)構(gòu)：上海交通大學(xué)

簡(jiǎn)介：任意方向的目標(biāo)檢測(cè)由于在航空?qǐng)D像、場(chǎng)景文本、人臉等方面的重要性，近年來(lái)在視覺(jué)領(lǐng)域引起了越來(lái)越多的關(guān)注。本文研究了現(xiàn)有的基于回歸的旋轉(zhuǎn)檢測(cè)器存在邊界不連續(xù)的問(wèn)題，這是由角周期性或角點(diǎn)排序直接引起的。通過(guò)仔細(xì)研究，作者發(fā)現(xiàn)其根本原因是理想的預(yù)測(cè)超出了規(guī)定的范圍。作者設(shè)計(jì)了一個(gè)新的旋轉(zhuǎn)檢測(cè)基線，通過(guò)將角度預(yù)測(cè)從回歸問(wèn)題轉(zhuǎn)化為一個(gè)精度損失很小的分類任務(wù)來(lái)解決邊界問(wèn)題，與以往使用粗粒度旋轉(zhuǎn)檢測(cè)的工作相比，設(shè)計(jì)了高精度的角度分類。他們還提出了一種圓形平滑標(biāo)簽（CSL）技術(shù)來(lái)處理角度的周期性，并增加了對(duì)相鄰角的誤差容限。進(jìn)一步介紹了CSL中的四個(gè)窗口函數(shù)，并探討了不同窗口半徑對(duì)檢測(cè)性能的影響。對(duì)DOTA、HRSC2016以及場(chǎng)景文本數(shù)據(jù)集ICDAR2015和MLT進(jìn)行了大量的實(shí)驗(yàn)和可視化分析，證明了該方法的有效性。