Metric Aligned Sample Selection and Critical Feature Sampling

Introduction

论文题目 ：Metric Aligned Sample Selection and Critical Feature Sampling for Oriented Object detection

论文地址 ：https://arxiv.org/pdf/2306.16718pdf

论文出处 ：arXiv

代码实现：暂无

Idea

正负样本分配是基于IoU（iou-based），回归损失计算基于GT与pridict的点距离(distance-based)，这二者之间存在不一致性。

回归分支和分类分支也具有不一致性，很容易出现具有高分类分数的正样本对应低质量的位置。

• 提出了一个基于点距离的动态样本分配策略MAS，考虑了遥感目标的角度和形状
• 提出了一个CFS模块，用来对采样位置的定位细化分类的任务的关键特征
• 提出了SC-loss，基于统计数据自适应的改变回归损失函数以选择高质量样本

Detail

下图就是具体的网络结构：

整体的网络框架是搭建在S2A-Net上的，是一个一阶段的检测网络。

MAS

基于高横纵物体和极端角度的影响，有些物体很难被分配到高质量正样本

额外考虑了物体的横纵比$\alpha$和角度$\theta$，设计了一个：

Co是补偿因子：

借鉴了atss动态正负样本分配的思想，iou_init的也采用动态阈值，使用平均值+标准差：

说实话，好像没有看出了哪里基于点距离分配正负样本，还是基于IoU计算

CFS

核心思想是使用可变形卷机DCN来添加额外的offset field

分为两步：

1. 对于给定的定向边界框，把整个边界框（蓝色）整体缩放0.3倍得到收缩框（绿色）
2. 使用DCN来把红色区域转换为蓝色箭头指向的区域

Offset filed是使用两次卷积实现：

SC-loss

Scale-controlled smoothL1 loss，作者先给出Smooth L1损失：

$\beta$是控制回归误差对训练梯度的超参数

原文中给出了一句话：$\beta$ 根据每轮迭代选择最小的K个pridict与Gt损失的加权，就带过了

Result

dota数据集上的性能：

总结