面向密集排列目标检测的动态优化网络

过去十年中，目标检测技术取得了显著进展。然而，对于具有方向性且密集排列的目标检测仍面临诸多挑战，主要原因有以下三点：（1）神经元的感受野均为轴对齐且形状固定，而实际目标通常具有多样化的形状，并沿不同方向分布；（2）检测模型通常基于通用知识进行训练，在测试阶段面对特定目标时泛化能力有限；（3）相关数据集规模有限，制约了该任务的发展。为解决前两个问题，本文提出一种动态优化网络（Dynamic Refinement Network），包含两个创新模块：特征选择模块（Feature Selection Module, FSM）和动态优化头（Dynamic Refinement Head, DRH）。其中，FSM使神经元能够根据目标的形状与方向自适应调整其感受野，而DRH则使模型能够以面向目标的方式动态优化预测结果。针对现有基准数据集不足的问题，我们构建了一个大规模且完全标注的新数据集——SKU110K-R，该数据集基于原始SKU110K数据集重新标注了带有方向信息的边界框。我们在多个公开基准数据集（包括DOTA、HRSC2016、SKU110K以及我们自建的SKU110K-R）上进行了定量评估。实验结果表明，与现有基线方法相比，本文方法在各项指标上均实现了稳定且显著的性能提升。代码与数据集已开源，地址为：https://github.com/Anymake/DRN_CVPR2020。