jedibobo的博客

解读Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence

Oriented R-CNN for Object DetectionRating: ⭐⭐-⭐⭐⭐comment: 跟S2ANet很相似本文算是工程上的很大提升，基本上刷到了DOTAv1.0的前几个，HRSC2016也是很靠前。其中6元数描述检测框的方式挺巧妙的。本文从结构和调参上看，应该基本是从S2ANet的one-stage改到了two-stage的方式，提高了精度。作者的repo也很全面，而且在持续更新，可以关注下。还有一点是对初学者比较友好，作者在文中有些地方很详细地解释了步骤。Abstra

S2ANet代码阅读首先给一张图，这个是我花了大概1天时间把S2ANet在mmdet下的实现完全搞清楚了。结合旷视官方的知乎号发的文章，基本就可以理解mmdet的整个架构（当然后续版本有所改变，思路是相似的）。轻松掌握 MMDetection 中常用算法(一)：RetinaNet 及配置详解 - 知乎 (zhihu.com)轻松掌握 MMDetection 中 Head 流程 - 知乎 (zhihu.com)(4 条消息) OpenMMLab - 知乎 (zhihu.com)需要下载见资源链接：

遥感第二篇读了DAL，也是本校自动化专业前辈的工作。本篇也是参考了其自己的博客用于学习和总结，附上链接。个人认为这篇的流畅程度+严谨程度要胜过S2ANet。总体理解S2ANet从网络结构入手，主要是通过Align Conv解决旋转框检测的问题；而DAL则是从训练时的Label Assignment过程入手，提出新的"match degree"（md，匹配度）来作为label assignment的指标，同时利用md修改了Loss(Matching Sensitive Loss, MSL)“增强分类器对高

S2ANet解读开始入门遥感方向，第一篇看了S2ANet，看了下网上的博客基本就很浅薄地谈了谈Abstract里面的内容，也没有对其进行argue，然后我来做这件事。如果有错误请指针，方便深入交流。文章内容摘录题目首先从题目看本文做的就是Align Deep Feature，更具体地说是"alignment between conv features and Anchor boxes(RoIs)"。见原文Section ⅡB小结开始的话。Abstract摘要基本上就是沿着场景->问题-&g