论文标题:《IENet: Interactive Embranchment Network Based One-Stage Anchor Free Detector for Orientational Aerial Object Detection》
论文发表:arxiv 2019 论文链接:https://arxiv.org/pdf/1912.00969
@article{lin2019ienet,
title={IENet: Interacting embranchment one stage anchor free detector for orientation aerial object detection},
author={Lin, Youtian and Feng, Pengming and Guan, Jian and Wang, Wenwu and Chambers, Jonathon},
journal={arXiv preprint arXiv:1912.00969},
year={2019}
}
Name | Value |
---|---|
标签 | #遥感 #目标检测 |
数据集 | DOTA,HRSC2016 |
目的 | 两阶段方法计算量大,单阶段方法性能不足 |
方法 | 基于自注意力的互动分支 |
作者提到,遥感图像的目标检测任务的难点在于:
而目前最好的性能都是两阶段算法实现的,但是两阶段算法通常在第一阶段定位,在第二阶段分类,因此计算量是非常大的,尤其是对旋转目标检测而言,因为Anchor匹配(涉及IoU计算)和RoI特征提取的计算量大。
针对上诉问题,作者提出了IENet(interactive embranchment network),其是一个单阶段的Anchor-Free旋转目标检测器,其包含如下贡献点:
在FCOS的基础上增加了一个独立的角度回归分支(Orientation Regression)
由于独立的角度分支不能很好的利用位置等信息,因此检测性能下降,基于此IENet提出了基于自注意力机制的分支交互模块即IE(Interactive Embranchment) Module,用于利用分类和位置回归信息。
IENet使用HBB+几何变换来表征OBB,如下图所示:
IE模块结构图:
在获得了分类和位置回归的特征图F^m后,使用1x1的卷积层和softmax层来构建自注意力模块:
总损失为:
其中分类损失为Focal Loss损失
位置回归损失为centerness损失加smoothL1
角度回归损失为smoothL1损失
DOTA_v1
HRSC2016
同时IENet在推理和训练时的速度上也有优势:
消融实验:
特征可视化: