摘要
近年来，航空影像中的目标检测在计算机视觉领域受到广泛关注。与自然图像中的目标不同，航空影像中的目标通常具有任意方向分布，因此检测器需要更多参数来编码方向信息，而这些参数往往高度冗余且效率低下。此外，由于传统卷积神经网络（CNN）并未显式建模方向变化，为训练出高精度的目标检测器，通常需要大量旋转增强的数据。针对上述问题，本文提出一种旋转等变检测器（Rotation-equivariant Detector, ReDet），该方法显式地编码了旋转等变性与旋转不变性。具体而言，我们将旋转等变网络引入检测器中，以提取具有旋转等变特性的特征，从而能够精确预测目标方向，并显著减少模型参数量。在此基础上，我们进一步提出旋转不变的RoI对齐方法（Rotation-invariant RoI Align, RiRoI Align），该方法可根据RoI的方位角，自适应地从等变特征中提取旋转不变特征。在多个具有挑战性的航空影像数据集（DOTA-v1.0、DOTA-v1.5 和 HRSC2016）上的大量实验表明，所提方法在航空目标检测任务中达到了当前最优性能。相较于此前最佳结果，ReDet在DOTA-v1.0、DOTA-v1.5和HRSC2016上分别提升了1.2、3.5和2.6的mAP，同时将参数量减少了60%（从313 MB降至121 MB）。代码已开源，地址为：\url{https://github.com/csuhan/ReDet}。