SCRDet++：小型/聚集/旋转的目标检测 | 通过实例级特征去噪和旋转损失平滑

作者团队：上海交通大学&安徽大学等

小而杂乱的物体在现实世界中很常见，这对检测具有挑战性。当物体旋转时，困难更加明显，因为传统的检测器通常将物体常规地定位在水平边界框中，使得感兴趣区域被背景或附近的交错物体影响。在本文中，我们首先创新性地将去噪技术引入目标检测。在特征图上执行实例级去噪，以增强对小型杂乱物体的检测。为了处理旋转变化，我们还向平滑的L1损耗添加了一个新的IoU常数因子，以解决长期存在的边界问题，在我们的分析中，这主要是由角度的周期性（PoA）和边缘的可交换性（EoE）引起的。通过结合这两个功能，我们提出的检测器称为SCRDet ++。本文对大型航空图像公共数据集DOTA，DIOR，UCAS-AOD以及自然图像数据集COCO，场景文本数据集ICDAR2015，小型交通信号数据集BSTLD和我们最近发布的S2TLD进行了广泛的实验。

《SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing》

主页：SCRDet Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing

论文下载链接：[2004.13316] SCRDet ： Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing

关键词：#论文速递# #目标检测# #小目标检测# #旋转目标检测#