一种采用自适应旋转感知卷积和完整交互特征金字塔网络的单点监督目标检测方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Single Point-Supervised Object Detection With Adaptive Rotation-Aware Convolution and Full Interaction Feature Pyramid Network

　　

摘要：

在遥感目标检测领域，基于旋转边界框的方法可以实现精确的检测，但其标注成本非常高。近期关于弱监督检测器（尤其是低成本点监督检测器）的研究受到了广泛关注。然而，现有方法并未充分解决由于点标记导致旋转信息缺失的问题。为了解决这一问题，我们设计了一种自适应旋转感知卷积（ARAC），它能够将特征图自适应地旋转到任意角度，从而在环形感受野中学习对旋转敏感的表示，并有效地将这些表示与上下文信息结合。此外，特征金字塔网络依赖逐层传输，这本质上会导致信息丢失。因此，我们设计了一种全交互特征金字塔网络（FIFPN），通过跨层交互通道注意力（CICA）和跨层交互空间注意力（CISA）实现一步全层交互，从而减少由逐层交互引起的信息丢失。FIFPN还有助于保留ARAC提取的与旋转相关的信息。在广泛认可的数据集DOTA和HRSC上进行的大量实验表明，我们的方法与其他点监督模型相比具有竞争优势。