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

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

机构：北京航空航天大学

简介：少镜头目标检测（FSOD）有助于检测器适应训练实例较少的看不见的类，在手动标注耗时或数据采集受限的情况下非常有用。与以往利用少量镜头分类技术来促进FSOD的尝试不同，本研究强调了处理尺度变化问题的必要性，该问题由于样本分布的独特性而具有挑战性。为此，作者提出了一种多尺度正样本优化（MPSR）方法来丰富FSOD中的目标尺度。它生成多尺度正样本作为目标金字塔，并在不同尺度上对预测进行细化。作者通过将其作为一个辅助分支集成到流行的快速R－CNN和FPN架构中，展示了它的优势，提供了一个强大的FSOD解决方案。在PASCAL－VOC和MS－COCO上进行了多个实验，结果表明，该方法取得了最新的结果，显著优于其他同类方法，显示了其有效性。

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

机构：扩博智能，上海交通大学

简介：使用定向包围盒（OBB）进行目标检测，可以减少与背景区域的重叠，从而更好地定位旋转对象。现有的OBB方法大多建立在水平包围盒探测器上，通过引入一个额外的角度维度，通过距离损失来优化。然而，由于距离损失只会最小化OBB的角度误差，并且它与IoU松散相关，因此它对高宽高比的对象不敏感。因此，提出了一种新的损失，像素IoU（PIoU）损失，利用角度和IoU进行精确的OBB回归。PIoU损失由IoU度量导出，采用像素形式，简单易行，适用于水平和定向包围盒。为了证明其有效性，作者评估了基于锚定和无锚框架的PIoU损失。实验结果表明，PIoU损耗可以显著提高OBB探测器的性能，特别是对于高宽高比和复杂背景的目标。此外，以前的评估数据集不包括对象具有高宽高比的场景，因此引入了一个新的数据集Retail50K，以鼓励社区采用OBB检测器来适应更复杂的环境。

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

遥感旋转目标检测

1 Arbitrary－Oriented Object Detection with Circular Smooth Label

作者：Yang Xue，Yan Junchi

机构：上海交通大学

简介：任意方向的目标检测由于在航空图像、场景文本、人脸等方面的重要性，近年来在视觉领域引起了越来越多的关注。本文研究了现有的基于回归的旋转检测器存在边界不连续的问题，这是由角周期性或角点排序直接引起的。通过仔细研究，作者发现其根本原因是理想的预测超出了规定的范围。作者设计了一个新的旋转检测基线，通过将角度预测从回归问题转化为一个精度损失很小的分类任务来解决边界问题，与以往使用粗粒度旋转检测的工作相比，设计了高精度的角度分类。他们还提出了一种圆形平滑标签（CSL）技术来处理角度的周期性，并增加了对相邻角的误差容限。进一步介绍了CSL中的四个窗口函数，并探讨了不同窗口半径对检测性能的影响。对DOTA、HRSC2016以及场景文本数据集ICDAR2015和MLT进行了大量的实验和可视化分析，证明了该方法的有效性。