作者：小毛
Date：2020-05-19
本次介绍一个发表于Computer Vision and Image Understanding的经典三维点云描述子RCS。论文地址：Jiaqi Yang, Qian Zhang, Ke Xian, Yang Xiao, Zhiguo Cao, “Rotationalcontour ignatures for both real
配置环境：RTX3090 PyTorch 1.9.0CUDA 11.3 cudnn 8.2.0mmcv 0.5.9(旧版本)opencv 3.4.4.19（旧版本）DOTA数据集下载：DOTAR3Det训练好的checkpoints（用于test测试，u8bj）：百度网盘 请输入提取码项目地址：GitHub - SJTU-Thinklab-Det/r3det-on-mmdete
介绍一篇最近被 ISPRS&RS接收的遥感旋转目标检测工作：Task Interleaving and Orientation Estimation for High-precision Oriented Object Detection in Aerial Images。该工作讨论了旋转目标检测中分类标签和角度编码的优化。论文实际上是两个子工作的合集，分别涉及了高精度的旋转包围框编码方式
概述在前面的工作中，在RK3566上完成了ROS和Cartographer环境的搭建以及对应的 DEMO的运行。在SLAM的技术中，双目摄像头的使用也是必不可少的。在SLAM学习笔记的第四篇中，完成了OpenCV代码在Ubuntu18.04的虚拟机上交叉编译。现在的工作是将双目摄像头结合OpenCV使用起来。 主要坑点： 1、Firefly自带的Test-Camera无法打开摄像头 2、Firef
目录遥感旋转目标检测：LSKNet旋转目标检测rotation-yolov5旋转目标检测综述SSA旋转目标检测遥感旋转目标检测：LSKNetGitHub - zcablii/LSKNet: (ICCV 2023) Large Selective Kernel Network for Remote Sensing Object Detection旋转目标检测rotation-yolov5旋转目标检测
首先，请允许我说明一下，笔者也是一名目标检测的小白（研一的小萌新）。前些日子，我敬爱的导师让我根据自己理解总结一下目前自己对于遥感领域目标检测相关的知识，于是便有了以下内容。如果你恰好读到这篇文章，发现文章有问题或者你有自己的见解，欢迎留言！-------------------------------------------------------------------------------
一、旋转目标检测方法对比1 当前前沿方法的对比首先我们打开papers with code 网站https://paperswithcode.com/我们在搜索栏输入 oriented object detection等与旋转目标检测相关的关键字，可以看到有很多相关的方法，我们打开其中的一个方法（点击框选部分即可）。 然后我们将下拉框拉到最底端，点击compare。
pytorch: 1.9.0 torchvision: 0.10 mmdetection: 2.15.0 mmcv: 1.3.10 测试图片（图片大小：720x1280）：之前博主写过一篇pytorch模型特征可视化的博文：pytorch卷积网络特征图可视化 ，本篇博文想记录一下目标检测模型的特征图可视化，这个在很多OD的论文上都可以看到CAM图，其实操作起来和前面博文介绍的基本一致，主要是看选取
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015. 继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。同样使用最大规模的网络，
目标检测任务中通常分为两个子任务:产生proposal以及将proposal分类，CRAFT对Faster-RCNN进行改进，分别对Faster-RCNN中的两个阶段进行了一定的改进，对于生成目标proposal阶段，在RPN的后面加了一个二值的Fast-RCNN分类器来对RPN生成的proposals进行进一步的筛选，留下一些高质量的proposals，对于第二阶段的目标proposals分类，
[翻系列]检测框的数据增强1：重看目标检测中的图像旋转 想要得到一个高性能的深度学习模型么？更多的数据将带来更多的可能性！但是很可惜的是，一般，我们只有这大千世界的一丢丢数据。所以我们需要数据增强！手动地来扩充我们的数据，很幸运的是，数据增强在众多实验中都得到了有效的验证，成为了深度学习系统中不可或缺的一部分。前言数据增强成功的背后很简单的一个原因是数据增强扩充了我们的数据集，也就是我们主动地向大
作者 | Crescent 编辑 | Rubin 这次工程部署主要选择了比较熟悉的旋转选择框架-GGHL。如果没有特殊算子的检测框架，依然可以使用下面的这个Pipeline, 旋转目标检测主要分成五参数和八参数的表征方法，分别对应的 x,y,w,h.以及对应的八参数的转化求法 x_1,y_1,x_2,y_2,x_3,y_3,x_4,y_4 。这两种方式在后处理的时候可以互相转换，我们这里选择后者。
和图像分割中将损失函数分为基于分布，基于区域以及基于边界的损失函数不一样，目标检测经常可以认为由2类最基础的损失，分类损失和回归损失而组成。 更多相关总结，可参阅 https://github.com/senbinyu/Computer_Vision_Literaturesgithub.com
分类损失- CE loss，交叉熵损失 交叉熵损失，二分类损失（binary CE
仓库地址(TensorRT,ncnn)github.com/Crescent-Ao/GGHL-Deployment：这次工程部署主要选择了比较熟悉的旋转选择框架-GGHL。 wh
15.1 引言 模板匹配就是在给定的图像中，通过计算模板与图片对应区域的匹配度，查找与模板最相似的区域。模板匹配的核心其实就是将模板与源图像的每个区域进行比较，逐像素滑动。从本质上讲，是将模板在源图像上进行卷积，创建新的图像或矩阵，其中每个像素值表示模板与源图像中相应区域之间的相似性。分析结果图像，可以通过峰值找到与模板匹配的紧缺位置。15.2
©作者 | 王文本文介绍一下我们中稿今年 ECCV 的一项工作。对目标检测模型所需要的数据进行标注往往是十分繁重的工作，因为它要求对图像中可能存在的多个物体的位置和类别进行标注。本文旨在减少 Detection Transformer 类目标检测器对标注数据的依赖程度，提升其数据效率。论文题目：Towards Data-Efficient Detection Transformers论文
论文详细描述了当前旋转目标检测的主要问题，提出将旋转回归目标定义为高斯分布，使用Wasserstein距离度量高斯分布间的距离用于训练。目前，常规目标检测也有很多将回归转化为概率分布函数的做法，本文有异曲同工之妙，值得阅读来源：晓飞的算法工程笔记 公众号论文: Rethinking Rotated Object Detection with Gaussian Wasserstein Dista
在真实场景中，我们见到的图像不都是方方正正的，比如扫描的图书和遥感图像，需要检测的目标通常是有一定旋转角度的。这时候就需要用到旋转目标检测方法，对目标进行精确的定位，方便后面的识别、分析等高级任务。所谓旋转目标检测（Rotated Object Detection），又称为有向目标检测（Oriented Object Detection），试图在检测出目标位置的同时得到目标的方向信息。它通过重新定
1、旋转框表示1、如何表示一个旋转框？2、Opencv表示法关于不同版本opencv的cv2.minAreaRect函数输出角度范围不同的问题。 在做旋转矩形⽬标检测时碰到⼀个问题，我所使⽤的数据集的标签为不规则四边形的四个点的坐标(x1,y1,x2,y2,x3,y3,x4,y4)，要将其转化为旋转⽬标检测的标签(x,y,longside,shortside,angle)。其中，需要⽤到openc
目标检测算法中，feature map和anchor的对齐问题是普遍存在的，表现为以下三个方面内容：（1）同一个感受野对应多个anchor：对于feature map上的任意一个点，其感受野是相同的，但却对应了多个大小不同的anchor。（2） one-stage目标检测算法直接使用未修正的特征：在two-stage的目标检测算法中，RPN提取proposal后，通过roi-pooling或者ro
