其它方式的缺点

Oriented R-CNN

最主要的缺点就是第一阶段生成的是平行四边形，而不是矩形：

• RRoI Align只能提取倾斜矩形框的特征，并不能提取倾斜平行四边形特征，
  因此需要后处理(延长较短对角线)来转换成旋转矩形

• 第一阶段RPN阶段的bbox是六参数的表达方式$(x, y, w, h, \Delta\alpha, \Delta\beta)$
  第二阶段RCNN阶段的bbox参数表达回归到了五参数的表达方式$(x, y, w, h, \theta)$，
  这种不一致性会使检测器混淆学习过程中两个阶段之间的不同bbox回归方式。

• RPN阶段形成的proposal bbox 和 RCNN阶段形成的predict bbox，其角度是不一致的

  RPN阶段会计算loss， RCNN阶段也会计算loss
  那么计算loss时，角度不一致的导致loss收敛始终会有瓶颈：
  比如假设第二阶段pridect bbox的$\theta$与GT的完全相同，那么第一阶段proposal就会有这个$\Delta$的偏差

  当然第二阶段也会有bbox regression，对角度有进行一个微调，可能会使得最终二者$\Delta$很小

QPDet

• 弧度制
  计算loss的时候需要把GT$(x, y, w, h, \theta)$先转化到$(x, y, r, \Delta\alpha, \Delta\beta)$
  那么把$\theta$ 转为弧度制后会有精度损失，而且$\Delta \alpha$偏移量也是在$(-\frac{\pi}{2},\frac{\pi}{2})$，带$\pi$也会有精度损失

作者用的是{1:1 , 1 : 2, 1 : 4}的水平anchor，是怎么得到这个圆的，这个还太没搞明白

我们方式的优点、缺点

优点

不需要任何的后处理（without any postprocessing），直接生成的就是矩形

• 如果也同样是设计这种两阶段的检测器，我们的bbox表达方式在两个阶段都是一致的，第二阶段的回归起点直接就是第一阶段生成的proposal的顶点。

缺点

0°和90°的边界情况的表示： 0°和90°只能表示成正方形…，可能是一种不足

其实不算什么缺点，因为像其它的表达方式，其边界情况也是一个正方形。

• 如果设计成两阶段检测器，这只是第一阶段的proposal而不是最终的predict bbox，到第二阶段bbox regression会再精修一次
• 如果设计成一阶段检测器，就再加一个bbox refine模块