摘要
视觉Transformer（Vision Transformers, ViTs）在计算机视觉任务中取得了显著成功。然而，其在旋转敏感场景中的潜力尚未得到充分挖掘，这一局限性可能本质上源于数据前向传播过程中缺乏空间不变性。在本研究中，我们提出了一种新颖的方法——空间变换解耦（Spatial Transform Decoupling, STD），为基于ViTs的定向目标检测提供了一种简单而高效解决方案。STD基于堆叠的ViT模块构建，通过独立的网络分支分别预测边界框的位置、尺寸和角度，以分而治之的方式有效挖掘ViTs在空间变换方面的潜力。此外，STD通过聚合基于回归参数计算得到的级联激活掩码（Cascaded Activation Maps, CAMs），逐步增强感兴趣区域（Regions of Interest, RoIs）内的特征表示，从而对自注意力机制形成有效补充。在不依赖复杂技巧的前提下，STD在多个基准数据集上取得了当前最优性能，包括DOTA-v1.0（mAP达82.24%）和HRSC2016（mAP达98.55%），充分验证了所提方法的有效性。项目源代码已开源，地址为：https://github.com/yuhongtian17/Spatial-Transform-Decoupling。