摘要
定向且密集排列的目标检测仍面临空间特征混叠（spatial feature aliasing）的挑战，其根源在于目标间接收场（reception fields）的重叠。本文提出一种凸包特征适配（Convex-Hull Feature Adaptation, CFA）方法，旨在根据定向且密集排列的目标布局，自适应地配置卷积特征。CFA基于凸包特征表示，通过动态预测一组由凸交并比（Convex Intersection over Union, CIoU）引导的特征点，以精确界定目标的边界范围。CFA通过构建凸包集合，并动态地对正样本或负样本凸包进行分割，实现最优特征分配。该方法同时考虑凸包之间的重叠关系以及目标间的空间重叠，对被多个目标共享的凸包施加惩罚，从而有效缓解空间特征混叠问题，推动特征适配趋于最优。在DOTA与SKU110K-R数据集上的实验结果表明，CFA显著优于基线方法，达到了新的最先进检测性能。