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

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

機構：北京航空航天大學

簡介：少鏡頭目標檢測（FSOD）有助于檢測器適應訓練實例較少的看不見的類，在手動標注耗時或數(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來促進FSOD的嘗試不同，本研究強調了處理尺度變化問題的必要性，該問題由于樣本分布的獨特性而具有挑戰(zhàn)性。為此，作者提出了一種多尺度正樣本優(yōu)化（MPSR）方法來豐富FSOD中的目標尺度。它生成多尺度正樣本作為目標金字塔，并在不同尺度上對預測進行細化。作者通過將其作為一個輔助分支集成到流行的快速R－CNN和FPN架構中，展示了它的優(yōu)勢，提供了一個強大的FSOD解決方案。在PASCAL－VOC和MS－COCO上進行了多個實驗，結果表明，該方法取得了最新的結果，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

機構：擴博智能，上海交通大學

簡介：使用定向包圍盒（OBB）進行目標檢測，可以減少與背景區(qū)域的重疊，從而更好地定位旋轉對象�，F(xiàn)有的OBB方法大多建立在水平包圍盒探測器上，通過引入一個額外的角度維度，通過距離損失來優(yōu)化。然而，由于距離損失只會最小化OBB的角度誤差，并且它與IoU松散相關，因此它對高寬高比的對象不敏感。因此，提出了一種新的損失，像素IoU（PIoU）損失，利用角度和IoU進行精確的OBB回歸。PIoU損失由IoU度量導出，采用像素形式，簡單易行，適用于水平和定向包圍盒。為了證明其有效性，作者評估了基于錨定和無錨框架的PIoU損失。實驗結果表明，PIoU損耗可以顯著提高OBB探測器的性能，特別是對于高寬高比和復雜背景的目標。此外，以前的評估數(shù)據(jù)集不包括對象具有高寬高比的場景，因此引入了一個新的數(shù)據(jù)集Retail50K，以鼓勵社區(qū)采用OBB檢測器來適應更復雜的環(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

遙感旋轉目標檢測

1 Arbitrary－Oriented Object Detection with Circular Smooth Label

作者：Yang Xue，Yan Junchi

機構：上海交通大學

簡介：任意方向的目標檢測由于在航空圖像、場景文本、人臉等方面的重要性，近年來在視覺領域引起了越來越多的關注。本文研究了現(xiàn)有的基于回歸的旋轉檢測器存在邊界不連續(xù)的問題，這是由角周期性或角點排序直接引起的。通過仔細研究，作者發(fā)現(xiàn)其根本原因是理想的預測超出了規(guī)定的范圍。作者設計了一個新的旋轉檢測基線，通過將角度預測從回歸問題轉化為一個精度損失很小的分類任務來解決邊界問題，與以往使用粗粒度旋轉檢測的工作相比，設計了高精度的角度分類。他們還提出了一種圓形平滑標簽（CSL）技術來處理角度的周期性，并增加了對相鄰角的誤差容限。進一步介紹了CSL中的四個窗口函數(shù)，并探討了不同窗口半徑對檢測性能的影響。對DOTA、HRSC2016以及場景文本數(shù)據(jù)集ICDAR2015和MLT進行了大量的實驗和可視化分析，證明了該方法的有效性。