초록
일반적인 물체와 달리 공중 타겟은 일반적으로 축에 정렬되지 않은 임의의 방향을 가지며, 복잡한 배경 환경에 둘러싸여 있는 경우가 많다. 주류 기법들이 경계 상자 방향을 회귀하는 방식에 반해, 본 논문은 적응형 점(adaptive points) 표현의 장점을 활용하여 임의의 방향을 가진 공중 물체 탐지를 위한 효과적인 적응형 점 학습 접근법을 제안한다. 이 방법은 임의의 방향을 가진 인스턴스의 기하학적 정보를 정확히 포착할 수 있다. 이를 위해 정확한 방향 정보를 갖춘 분류 및 위치 추정을 지원하기 위해 세 가지 방향 변환 함수를 제안한다. 또한, 학습 과정에서 대표적인 방향성 재점(reppoints) 샘플을 선택하기 위해 효과적인 품질 평가 및 샘플 할당 전략을 제안하며, 이는 인접한 물체나 배경 노이즈로부터 축에 정렬되지 않은 특징을 효과적으로 포착할 수 있다. 더불어, 적응형 학습의 안정성을 높이기 위해 이상치 점에 대한 페널티를 주는 공간 제약 조건을 도입한다. DOTA, HRSC2016, UCAS-AOD, DIOR-R 등 네 가지 도전적인 공중 영상 데이터셋에서 수행한 실험 결과를 통해 본 논문에서 제안하는 방법의 유효성을 입증하였다. 소스 코드는 다음 링크에서 확인할 수 있다: https://github.com/LiWentomng/OrientedRepPoints.