m_buddy的博客

1. 概述在诸如ICDAR之类的文本检测比赛中，需要在给定的图片中检测出任意形式的文本区域，这些文本区域有水平的也有倾斜的。对于水平文本情况，是一种较为理想的文本展现形式，使用现有的SSD、YOLO、Faster R-CNN之类的检测方法都能有效检测出水平框；对倾斜文本的情况，传统的(x,y,h,w)(x,y,h,w)(x,y,h,w)回归的检测模型便不能够很好完成这个任务了。这就是这篇论文需要...

参考代码：piou1. 概述导读：旋转矩形框的引入可以更好贴合目标的轮廓，一般是在水平矩形框的基础上添加一个旋转变量，之后通过诸如smooth L1损失函数进行约束，但是这样的约束方式并不能很好反应实际检测结果与GT的重合关系（IoU），特别是在一些长宽比例比较大的时候。对此文章从像素点的角度进行统计，从而计算出预测框与GT的交叠面积，文章将其称之为PIoU（pixels-IoU）。由于文章的PIoU是逐点进行计算的，因此其可以使用在水平框和旋转矩形框的场景上，其对于旋转框的定位具有较好的优化作用，特

代码地址： R2CNN1. 概述这篇文章提出了R2CNN模型用于去检测自然场景下任意角度旋转的文本，该模型是基于Faster R-CNN结构的。该方法首先使用RPN网络在文本区域的坐标轴方向上产生不同的默认检测框，之后对每个方向的默认检测框的特征使用不同的池化尺寸进行池化融合，最后网络使用融合的特征去预测三个结果（输出）：是文本与不是文本的置信度、坐标轴方向的检测框（也就是不带角度的矩形框）...

参考代码：TF实现版本：R3Det_TensorflowPytorch实现版本：r3det-on-mmdetection旋转检测算法总结：RotationDetection1. 概述导读：这篇文章提出了一种级联优化的旋转目标检测算法。这篇文章的检测算法可以看作是单阶段的（类似RefineDet）检测算法。算法的第一级回归用于生成带旋转角度的roi proposal（也可以称之为带旋转角度的anchor），在之后的优化级中去迭代优化上一级生成的roi proposal。需要注意的是文章的算法在

1. 概述本篇文章提出了RON网络，该网络是受Faster RCNN与SSD的启发。在全卷积网络下实现RON：1）对于多尺度目标检测这里使用反向连接的方式，使得网络可以在多个尺度上进行检测；2）文章使用目标先验去减小搜索的空间（反传时），最后，通过多任务 Loss 让整个网络实现 end-toend 训练；文章的另外两点贡献如下：1）引入 Negative example mini...

参考代码：ReDet1. 概述导读：这篇文章针对旋转目标检测问题提出了一种新的检测算法ReDet（Rotation-equivariant Detector），在该算法（为二阶段检测算法）中对旋转目标检测问题进行了细致分析，从特征抽取的backbone、fpn网络开始，到后期特征对齐阶段都进行了改进。具体来讲就是使用具有平移、旋转、镜像不变属性的网络单元构建特征抽取网络，从而使得特征抽取网络具有rotation-equivariance。之后在RRoI Align（rotation RoI）的基础上构