qq_50757624的博客

定向目标检测因其在航空图像、场景文本和面部识别等方面的重要性，近年来受到越来越多的关注。在本文中，我们证明了现有的基于回归的旋转检测器存在不连续边界问题，这是直接由角周期性或角排序引起的。通过仔细的研究，我们发现其根本原因是理想的预测超出了所定义的范围。我们设计了一种新的旋转检测baseline，通过将角度预测从回归问题转化为精度损失小的分类任务来解决边界问题，从而设计了基于粗粒度的高精度角度分类。我们还提出了一种圆形光滑标签（CSL）技术来处理角度的周期性，并增加对相邻角度的容错性。

最近，航空图像中的目标检测在计算机视觉中引起了广泛的关注。与自然图像中的物体不同，空中物体通常以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地对方向变化进行建模，因此需要大量的旋转增强数据来训练准确的目标检测器。在本文中，我们提出了一种旋转等变检测器（ReDet）来解决这些问题，它明确编码了旋转等变性和旋转不变性。更准确地说，我们将旋转等变网络纳入检测器以提取旋转等变特征，这可以准确预测方向并导致模型尺寸的大幅减小。基于旋转等变特征，我们还。

目前的蒸馏方法主要基于从中间层蒸馏深层特征，而logit蒸馏的意义被大大忽视。为了为研究logit蒸馏提供一个新的观点，我们将经典的KD损失重新表述为两部分，即目标类知识蒸馏（TCKD）和非目标类知识蒸馏（NCKD）。我们通过实证研究和证明了这两部分的影响： TCKD转移了关于训练样本的“困难”的知识，而NCKD是logit蒸馏工作有效的主要原因。更重要的是，我们揭示了经典的KD损失是一个耦合公式，它(1)抑制了NCKD的有效性，(2)限制了平衡这两部分的灵活性。