标签：Box KLD 检测 Object 损失 旋转 Detection Leibler Kullback

旋转目标检测方法解读（KLD, NeurIPS2021）

旋转目标检测方法解读（KLD, NeurIPS2021） - 知乎

Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Diverge

通过Kullback-Leibler Divergence学习旋转目标检测的高精度包围盒

摘要

        现有的旋转目标探测器大多继承了水平探测范式，后者已经发展成为一个成熟的领域。然而，由于现有的回归损耗设计的限制，这些探测器很难在高精度检测中表现突出，特别是对于大纵横比的物体。本文从水平检测是旋转目标检测的特殊情况出发，针对旋转与水平检测的关系，将旋转回归损失的设计从归纳范式改为演绎方法。结果表明，在旋转回归损失中，耦合参数的调制是一个关键的挑战，因为在动态联合优化过程中，估计的参数会以一种自适应和协同的方式相互影响。具体来说，我们首先将旋转的包围盒转换成二维高斯分布，然后计算高斯分布之间的Kullback-Leibler Divergence (KLD)作为回归损失。通过对各参数梯度的分析，表明KLD(及其导数)可以根据物体的特性动态地调整参数梯度。它将根据长宽比调整角度参数的重要性(梯度权重)。这种机制对于高精度检测是至关重要的，因为对于大纵横比的物体，微小的角度误差会导致严重的精度下降。更重要的是，我们已经证明了KLD是尺度不变的。我们进一步证明，KLD损耗可以退化为水平检测的普通范数损耗。在7个数据集上使用不同的检测器进行了实验，结果表明该方法具有一致性的优势，代码可通过http://github.com/yangxue0827/RotationDetection获取。

5 结论

局限性。尽管有理论基础和有前景的实验证明，我们的方法有一个明显的局限性，不能直接应用于四边形检测[33,44]。

潜在的负面社会影响。我们的发现为高精度旋转检测提供了一个简单的回归损失。然而，我们的研究可能会应用到一些敏感领域，如遥感、航空和无人机。

结论。本文从现有的大量目标检测文献出发，从零开始设计了一种新的旋转检测回归损失算法，并将流行的水平检测作为其特例。具体地，我们计算旋转包围盒对应的高斯分布之间的KLD作为回归损失，我们发现在KLD损失指导的学习过程中，参数的梯度可以根据目标的特性动态调整，这是鲁棒目标检测所需要的特性，无论其旋转、大小和宽高比等。我们还证明了KLD具有尺度不变性，这对检测任务至关重要。有趣的是，我们已经证明，在水平检测任务中，KLD可以退化为目前常用的ln-范数ln-norm损失。在不同探测器和数据集上的大量实验结果表明了我们方法的有效性。

标签：Box,KLD,检测,Object,损失,旋转,Detection,Leibler,Kullback
来源： https://blog.csdn.net/dujuancao11/article/details/121306334

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。