Study on Rotation-Invariant in Aerial Object Detection using Rotatable Bounding Boxes

作     者：AL-SOSWA,MOHAMMED ISMAIL AHMED 

作者单位：南京理工大学 

学位级别：硕士

导师姓名：Liu Chuancai

授予年度：2020年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：旋转不变性 卷积神经网络 特征金字塔网络 焦点损失 可旋转边框 目标检测 

摘      要：目前,神经网络和深度学习的理论与方法广泛应用于计算机视觉和目标检测的研究,其研究成果已广泛用于自动驾驶、航空出行、安防等领域。传统的目标检测方法依靠绘制在目标上的矩形,通过水平和垂直边界框来确定目标位置。航空图像中的物体方向随机,密集且周围复杂,因此对传统的物体检测模型构成了挑战。传统的矩形框会忽略物体的方向,从而导致物体定位减少,并且在目标密集情况下重叠的框会限制进一步的处理,例如目标的理解和检测。为了克服这些局限性,本文对目标检测方法进行改进,实现更高效,更精确的检测。首先,修改目标检测边界框的定义,包括旋转,高度,宽度和框的中心点,有效的定位目标并减少背景像素的干扰;其次,应用金字塔特征网络学习多层特征生以检测小面积目标;然后,对边界框的常规编码方案进行了修改以适合提出的可旋转边界框,以便更好地估计目标的方向和位置;最后,为了克服负样本和正样本之间的不平衡问题,将难负样挖掘（Hard Negative Mining,HNM）和焦点损失（focal loss,FL）结合起来使用,从而解决正负样本不平衡的问题。通过分析模型在四个数据集上的目标检测结果,并与（Single Shot Detector,SSD）和Faster R-CNN进行比较,表明本文提出的模型超越了传统的边界框模型,尤其是旋转和密集目标。