本文针对旋转目标的检测提出了R3det。论文地址：https://arxiv.org/abs/1908.05612
1.Introduciton
目前，旋转目标检测面临三个主要挑战：
- 待检测目标纵横比较大
- 待检测目标的排列较为密集
- 类别不平衡
本文讨论了如何设计一个准确和快速的旋转目标检测器。文章提出了一个refined one-stage 旋转检测器，其设计策略结合了水平anchor的高召回率和旋转anchor对密集场景的适应性两方面的优点，在第一个阶段使用水平anchor，从而获得更快的速度和更多的proposals，在refinement stage使用了refined 旋转anchors以适应密集场景； 此外，设计了特征精细化模块(FRM),利用特征插值获得refined anchor的位置信息，然后对特征图进行重建以实现特征对齐。
2. Proposed Method
该实例基于RetinaNet，网络后增加了refinement stage来对bounding box进行refine，FRM用于重建特征图。
2.1 Rotation RetinaNet
该网络为一个先进的one-stage检测器，包括两个部分：backbone网络和分类回归子网络。Backbone网络为FPN，FPN通过自上而下的路径和横向连接来增强了卷积网络，从而有效地从单个分辨率的输入图像构建丰富的多尺度特征金字塔，每层金字塔均可以用于不同尺度的目标检测；FPN的每一层均与一个分类回归子网络相连。RetinaNet设计了focal loss来解决类别不平衡问题。
本文使用(x,y,w,h,theta)五个参数表述旋转矩形，theta表示与x轴的锐角，变化范围为[-90,0)，另一侧为w。因此，需要预测子网络中的附加角度偏移：
上式中，x,y,w,h,theta表示box的重心坐标，宽、高和角度；x.x_a.x'分别为ground-truth，anchor box和预测box。多类别的损失函数定义如下：
上式中，N表示anchor的个数，t'_n取值为0或1(foreground为1，background为0，background无回归)；v'_*j表示预测的偏移矢量，v_*j表示ground-tryth的目标向量。tn为目标类别，pn为sigmoid计算的各类别概率分布。L_cls为focal loss和L_reg为smooth L1 loss。
2.2 Refined Rotation RetinaNet
在不同的refinement stage中使用了不同的IoU阈值；在first stage前景(foreground)和背景(background)的阈值分别为0.5和0.4，first refinement stage二者分别使用了0.5和0.4，如果refinement stage重复了多次，剩余的分别为0.7和0.6。Refine detector的总体损失为：
Li为第i个refinement阶段的损失，ai为权衡系数，默认为1.
2.3 Feature Refinment Module
许多refined 检测器使用相同的特征映射进行多个分类和回归，没有考虑边界框位置变化引起的特征偏移，对长宽比较大或者样本量小的类别不利。本文提出将refined边界框的位置信息重新编码到响应的特征点，从而重建整个特征映射，实现特征对齐。
特征插值公式为：
FRM的结构和伪代码如下：
具体操作位：利用双向卷积将特征映射相加来得到新的特征，细化阶段只保留每个特征点得分最高的bounding box，以提高速度，并同时保证一个特征点只对应一个细化的边界框。对于特征映射的每个特征点，根据refined bbox的五个坐标在特征图上获得对应的特征向量，通过双线性插值得到更精确地特征向量，然后添加五个特征向量并替换当前的特征向量，遍历特征点之后，重建了整个特征地图，最后将重构后的特征图加入原始特征图完成整个过程。
FRM可以保存完整的卷积结构，具有更高的效率和更少的参数。
3.在DOTA数据集上的测试
DOTA数据集包含15个类别。本文作者在实验过程中将图像分为600x600的子图并将其缩放至800*800。训练时，backbones选择了Resnet-FPN和MobileNetv2-FPN,所有的backbones在ImageNet上训练，anchor在金字塔P3-P7等级上的面积为32x32-512x512,每个金字塔层次使用了7个纵横比（1,1/2,2,1/3,3,5,1/5）和3个尺度（2^0,2^(1/3),2^(2/3))，对旋转anhor添加了6个角度（-90，-75，-60，-45，-30，-15）