资源下载

原文pdf下载

3 PROPOSED METHOD

3.2 Multi-Oriented Object Representation

Fig.2，图2描述了所提表示法的直观说明,v1,v2,v3,v4是移动后的定点

式（2），引入了一个倾斜因子来描述O的倾斜程度，这是由O和Bh之间的面积比 r 给出的。

3.3 Network Architecture

Fig.3，网络架构与 faster R-CNN几乎相同。我们只需添加5个额外的目标变量（归一化到[0,1]；使用Sigmoid函数）到 faster R-CNN 的头部

5个额外的目标变量：α{1,2,3,4,5} 和 倾斜引子 r

3.4 Ground-Truth Generation

直接由方程(1)和(2)计算。

4 EXPERIMENTS

Datasetes：

1. DOTA
2. HRSC2016
3. MSRA-TD500
4. RCTW-17
5. MW-18Mar

Experiments Results
1.Object Detection in Aerial Images：
所有检测到的分类分数都高于0.6的对象。即使在密集分布和/或长时，该方法也能准确地检测水平和定向物体。
旋转图像检测结果优秀等。

2. Long Text Detection in Natural Scenes:
   在 MSRA-TD500 和 RCTW-17 的定量比较结果显示该方法优于其他竞争方法，在两种数据集上都效率更高。

3. Pedestrian Detection in Fisheye Images:
   该方法的缺失率均低于其他所有对比方法。