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
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。
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！-------------------------------------------------------------------------------
VOTVOT认为，数据集只有规模大是完全不行的，一个可靠的数据集应该测试出tracker在不同条件下的表现VOT提出，应该对每一个序列都标注出该序列的视觉属性（visual attributes），以对应上述的不同条件，VOT2013共提出了六种视觉属性：相机移动（camera motion，即抖动模糊） 光照变化（illumination change） 目标尺寸变化（object size c
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
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
[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。
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
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
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
目录概述一个具体的例子原因分析影响分析总结建议概述在进行SSD、YOLO等目标检测类模型训练的时候，为了提升模型的识别率和泛化能力，一般会采用数据增强策略，主要包括调整图片的亮度、对比度、水平翻转、平移、旋转、随机噪声等方式。而在目标检测任务中，若采用旋转数据增强，可能导致旋转后的标注框不再能准确地表示目标的最小外接矩形框，因此要慎用。一个具体的例子假设原图如下：红色三角形为要标注的物体，黑色的为
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。分类损失CE loss，交叉熵损失 交叉熵损失，二分类损失（binary CE loss）是它的一种极端情况. 在机器学习部分就有介绍它。 如下图所示,y是真实标签，a是预测标签，一般可通过sigmoid，softmax得到，x是样本，n是样本数目，和对数似然
状态监测（CM）不再局限于高技能、有经验的工程师。Schaeffler UK技术中心经理Steve Lacey博士说，随着基于云的CM系统的出现，用户可以通过云与专家共享数据，从而改进故障诊断，缩短反应时间，减少机器停机时间。 滚动轴承是在许多种旋转装置和设备中普遍使用的关键部件，一旦出现意外故障，可能会导致高成本维修和更换。 多年来，CM已被用作预测性维护（PM）策略的组成部分。
项目背景PP-YOLOE-R是一个高效的单阶段Anchor-free旋转框检测模型。基于PP-YOLOE, PP-YOLOE-R以极少的参数量和计算量为代价，引入了一系列有用的设计来提升检测精度。在DOTA 1.0数据集上，PP-YOLOE-R-l和PP-YOLOE-R-x在单尺度训练和测试的情况下分别达到了78.14和78.27 mAP，这超越了几乎所有的旋转框检测模型。通过多尺度训练和测试，P
