Jenseits von Bounding-Box: Konvex-Hülle-Feature-Anpassung für orientierte und dicht gepackte Objektdetektion

Die Erkennung ausgerichteter und dicht gepackter Objekte bleibt weiterhin herausfordernd aufgrund von räumlichen Merkmals-Alias-Effekten, die durch die Überlappung der Empfangsfelder zwischen Objekten verursacht werden. In diesem Paper stellen wir einen Ansatz zur konvexen-Hülle-Merkmalsanpassung (Convex-Hull Feature Adaptation, CFA) vor, um convolutionale Merkmale entsprechend der Ausrichtung und Dichte gepackter Objektanordnungen zu konfigurieren. CFA basiert auf einer Darstellung durch konvexe Hüllen, bei der eine Menge dynamisch vorhergesagter Merkmalspunkte definiert wird, die durch die konvexe Intersection-over-Union (CIoU) geleitet werden, um den räumlichen Umfang der Objekte abzugrenzen. CFA erreicht eine optimale Merkmalszuweisung durch Aufbau von konvexen-Hülle-Mengen und dynamische Aufteilung positiver oder negativer konvexer Hüllen. Indem gleichzeitig überlappende konvexe Hüllen und Objekte berücksichtigt sowie konvexe Hüllen, die von mehreren Objekten geteilt werden, bestraft werden, verringert CFA räumliche Merkmals-Alias-Effekte und fördert eine optimale Merkmalsanpassung. Experimente auf den Datensätzen DOTA und SKU110K-R zeigen, dass CFA die Baseline erheblich übertrifft und eine neue state-of-the-art-Leistung in der Objekterkennung erzielt.