[rotate detecte]IENet (anchor free)

• https://blog.youkuaiyun.com/qq_36449741/article/details/107514006
• https://arxiv.org/abs/1912.00969

---

定向框的表示

一步网络结构

大多数遥感影像数据集都缺乏精度和数量。将backbone在ImageNet上进行预训练，并在目标数据集中进行微调，例如DOTA和HRSC2016。这样，网络能够从遥感图像中提取更精细的特征。

在一般数情况下，一步网络的分类层、回归层对于角度的回归没有很多的关系，因此作者需要在分类层中添加了一个新层或者在回归层进行回归，二维向量进一步表示为[w,h]，这也是表示目标方向的参数。此外，还分别使用两个卷积层来预测[w,h]参数。将此分支称为方向分支，这是head上的第三个分支。此head设计为：

在上图中，作者使用IE模块从其他分支提取特征，并将其组合到方向特征，以生成最终特征以进行方向回归。

自监督IE模块

为了提供更多的特征并提高定向预测的准确性，作者使用自注意模块构建了一个相互作用的分支，以获取来自分类和检测框回归分支的特征，这些特征可能会通过自注意机制进行重新安排。自注意可以建立这些特征图之间的关系，并确定哪个特征更适合定向回归。这些特征将与注意相结合，然后添加到定向分支中，如下图所示。

损失函数