PRA-Det：基于极半径表示的无锚定向对象检测

《IEEE Transactions on Multimedia》：PRA-Det: Anchor-Free Oriented Object Detection With Polar Radius Representation

提出PRA-Det锚点无关方向目标检测器，通过极坐标半径向量编码OBB，利用菱形类别注意力因子优化样本分配，结合空间几何损失提升预测精度，解决角度敏感的边界不连续和方形问题，实验表明性能优于现有方法。

　　

摘要：

定向对象检测通常会在回归得到的水平边界框（HBB）上添加一个额外的旋转角度，以表示定向边界框（OBB）。然而，现有的基于旋转角度的定向对象检测器存在度量标准与损失之间的不一致性、边界不连续性或边界呈方形的问题。为了解决这些问题，我们提出了一种无锚点的定向对象检测器PRA-Det，该检测器通过极半径向量来表示OBB，并将对象的中心区域作为回归目标。具体而言，PRA-Det引入了一个菱形形状的正区域，用于根据类别分配正样本点以回归极半径向量。PRA-Det从分配的样本点回归边的极半径向量，并通过类别特定的注意力因子抑制预测出的低质量极半径向量。不同协议定义的OBB通过极半径编码模块统一编码为极半径向量表示的回归目标。因此，在训练过程中，由极半径向量表示的回归目标没有角度参数，从而解决了角度敏感的边界不连续性和边界呈方形的问题。为了优化预测的极半径向量，我们设计了一种空间几何损失函数以提高检测精度。此外，在推理阶段，极半径向量的中心偏移分数与分类分数结合使用，以减少分类和回归之间的不一致性。在公开基准测试中的大量实验表明，PRA-Det与最先进的定向对象检测器具有很高的竞争力，并且优于其他比较方法。

引言

对象检测是一项基本的视觉分析任务，旨在识别和定位对象[1]。早期的研究主要集中在自然场景中的水平对象检测上。然而，航空图像中的对象在任何方向上都是密集分布的。水平对象检测会导致HBB与任意方向的物体之间的不对齐。HBB在物体分布的区域内引入了大量无关信息，这会严重影响对象检测的性能。此外，HBB无法准确且唯一地定位任意方向的物体。因此，定向对象检测逐渐兴起。近年来，由于不同场景（包括航空图像[2]、[3]、场景文本[4]、[5]等[6]、[7]）的需求，定向对象检测受到了越来越多的关注。现有的定向对象检测器通常遵循一般的对象检测器范式，通过在HBB上添加额外的旋转角度来表示OBB。因此，定向对象检测方法广泛使用五参数来表示OBB。尽管取得了令人满意的结果，但基于旋转角度的定向对象检测经常面临一些新问题。与水平检测不同，两个OBB的交并比（IoU）不可微分，这给学习带来了困难[8]。由于极角（PoA）和端到端（EoE）的影响，基于角度回归的定向检测器经常出现边界不连续性和边界呈方形的问题[9]。PoA和EoE可能导致在定义范围之外的预测结果不佳。由于边界处的损失急剧增加，边界处的回归不一致以及训练过程中的非边界情况容易导致训练不稳定。因此，这些问题严重影响了定向检测器的性能。