回転物体検出のための学習調整損失

一般的な回転検出手法は、回転バウンディングボックスを表現するために、五つのパラメータ（中心点の座標、幅、高さ、および回転角）と l1損失を損失関数として使用します。本論文では、前述の統合が、角度の固有の周期性に起因する損失の不連続性と、幅と高さの急激な交換により、訓練の不安定性や性能の劣化を引き起こす可能性があると主張します。この問題は、異なる測定単位を持つ五つのパラメータ間の回帰の不整合性が加わることで、さらに顕著になります。これらの問題を回転感度誤差（RSE）と呼び、損失の不連続性を排除するための調整回転損失を提案します。私たちの新しい損失は、パラメータ回帰の不整合解決をさらに進めるために八つのパラメータ回帰と組み合わされています。実験では、公共の空中画像ベンチマーク DOTA と UCAS-AOD における私たちの手法の最先端の性能を示しています。その一般化能力も ICDAR2015、HRSC2016、及び FDDB で確認されています。定性的な改善は図1に示されており、ソースコードは論文の出版と共に公開される予定です。