.png){kind=icon}
返回
GOOD: Towards domain generalized oriented object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.isprsjprs.2025.02.025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
面向对象检测在过去几年中得到了快速发展，但大多数这些方法假设训练和测试图像处于相同的统计分布下，这与现实相去甚远。本文提出了域泛化面向对象检测的任务，旨在探索面向对象检测器在任意未见目标域上的泛化能力。学习域泛化面向对象检测器具有特殊挑战性，因为跨域风格变化不仅会负面影响内容表征，还会导致方向预测不可靠。为解决这些挑战，我们提出了一种通用的面向对象检测器（GOOD）。通过新兴的对比语言-图像预训练（CLIP）进行风格幻想后，它包含两个关键组件，即旋转感知内容一致性学习（RAC）和风格一致性学习（SEC）。提出的RAC允许面向对象检测器从风格多样化的样本中学习稳定的方向表征。提出的SEC进一步稳定了来自不同图像风格的内容表征的泛化能力。值得注意的是，这两个学习目标简单、直接且易于实现。在多个跨域设置上的大量实验表明，GOOD具有最先进的性能。源代码可在https://github.com/BiQiWHU/GOOD获取。
Keyword:
Oriented object detection
Domain generalization
Rotation consistency
Style hallucination
期刊
IF:
12.2
论文数:
4.4K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating ObjectR3Det: 具有旋转物体特征细化的细化单级检测器
OAAI
OAAI分享收藏3D-VField: Adversarial Augmentation of Point Clouds for Domain Generalization in 3D Object DetectionOAAI
OAAI分享收藏Bridging the Gap Between Anchor-Based and Anchor-Free Detection via Adaptive Training Sample Selection通过自适应训练样本选择弥合基于锚点和无锚检测之间的差距
OAAI
OAAI分享收藏
查看更多内容