面向定向微小目标检测的动态粗到精学习

检测任意方向的微小目标对现有检测器构成了严峻挑战，尤其在标签分配方面。尽管近期面向方向性目标的检测器已探索自适应标签分配方法，但微小目标极端的几何形状及其有限的特征仍导致严重的标签不匹配与不平衡问题。具体而言，位置先验、正样本特征与目标实例之间存在显著不匹配，且由于缺乏充分的特征监督，极端形状目标的学习过程出现偏差且不平衡。为解决上述问题，本文提出一种动态先验结合粗到细分配器的框架，命名为DCFL。一方面，我们以动态方式建模先验信息、标签分配与目标表示，有效缓解不匹配问题；另一方面，通过粗粒度先验匹配与细粒度后验约束相结合的方式，实现动态标签分配，为不同实例提供适当且相对均衡的监督信号。在六个数据集上的大量实验表明，该方法显著优于基线模型。特别地，在单尺度训练与测试设置下，DCFL在DOTA-v1.5、DOTA-v2.0和DIOR-R数据集上均取得了当前最优的一阶段检测器性能。相关代码已开源，地址为：https://github.com/Chasel-Tsui/mmrotate-dcfl。