论文笔记（ReDet，CVPR2021）

1. 几个问题 做了什么 提出了旋转等变向量场网络Rotation Equivariant Vector Field Networks (RotEqNet)，是一种对旋转等变性（equivariance）、旋转不变性（invariance）和旋转共变性（covariance）进行了编码的CNN网络。 论文中专注于解决“旋转”这一操作，因此下文所述的对象都与旋转有关。 实现原理 每个卷积核被应用在多个方向上，并返回一个矢量场，表示每个空间位置的最高评分方向的大小和角度。 实验效果 相比于一些大型模型，RotE

1.几个问题 1.1 基本信息 CVPR 2018 1.2 做了什么 实现CNN对平移和任意离散旋转的等变性。 1.3 实现方法 和谐波网络Harmonic-Net这篇一样，也是使用复数滤波器。不过这篇使用的是多个复数滤波器，通过一个权重把它们加起来，得到最后的滤波器，其中单个原子滤波器是已知的、权重是需要学习的。理论上能实现N-循环离散旋转等变，N可以任意增大。比如当N=4的时候，一次旋转是90°。 Harmonic-Net中只使用了单个复数滤波器，且滤波器的实数部分是需要学习的，理论上可以实现连续旋转等

ReDet: A Rotation-equivariant Detector for Aerial Object Detection ReDet：一种用于航空目标检测的旋转等变检测器 https://arxiv.org/abs/2103.07733 摘要 近年来，航空图像中的目标检测在计算机视觉中得到了广泛的关注。与自然图像中的目标不同，航空目标往往以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地建模方向变化，因此...

ReDet: A Rotation-equivariant Detector for Aerial Object Detection Jiaming Han∗, Jian Ding∗, Nan Xue, Gui-Song Xia Wuhan University, Wuhan, China {hanjiaming, jian.ding, xuenan, guisong.xia}@whu.edu.cn 摘要 最近，航拍图像中的物体检测在计算机视觉中受到了广泛关注。与自然图像中的物体不同，空中物体通常

最近，航空图像中的目标检测在计算机视觉中引起了广泛的关注。与自然图像中的物体不同，空中物体通常以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地对方向变化进行建模，因此需要大量的旋转增强数据来训练准确的目标检测器。在本文中，我们提出了一种旋转等变检测器（ReDet）来解决这些问题，它明确编码了旋转等变性和旋转不变性。更准确地说，我们将旋转等变网络纳入检测器以提取旋转等变特征，这可以准确预测方向并导致模型尺寸的大幅减小。基于旋转等变特征，我们还。

文章目录前言1、解决的问题2、模型结构2.1.ReCNN2.2. RiRoiAlign总结 前言  本篇解读2021CVPR旋转目标检测论文：ReDet:A Rotation-equivariant Detector for Aerial Object Detection。附上地址和源码链接： 论文下载地址 源码地址 1、解决的问题  这是本人组会上做的ppt。简单说创新点有两个：  1）利用NIPS2019的e2cnn思想重写了ResNet50并命名为ReCNN，使得CNN具有旋转等变性。即当输入图像发

最近，航空图像中的目标检测在计算机视觉中引起了广泛的关注。与自然图像中的物体不同，空中物体通常以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地对方向变化进行建模，因此需要大量的旋转增强数据来训练准确的目标检测器。在本文中，我们提出了一种旋转等变检测器（ReDet）来解决这些问题，它明确编码了旋转等变性和旋转不变性。更准确地说，我们将旋转等变网络纳入检测器以提取旋转等变特征，这可以准确预测方向并导致模型尺寸的大幅减小。基于旋转等变特征，

今天开始复现2021 CVPR ReDet 使用GPU 是 RTX 3090 ReDet: A Rotation-equivariant Detector for Aerial Object Detection

1.几个问题 1.1 做了什么 提出一种能保证全局旋转等变性的卷积神经网络。 能对四个旋转方向提取特征。 1.2 效果 略 1.3 局限性 只能实现四个方向的旋转，因为矩阵是方形的，最多作用在p4群上。 2.数学部分 2.1 旋转操作 图像函数为f:Z2→Rf:{Z^2} \to Rf:Z2→R。定义旋转变换RRR（这里的R不是实数域的意思）,R(f(x)),x∈Z2R\left( {f\left( x \right)} \right),x \in {Z^2}R(f(x)),x∈Z2相当于将图像顺时针喜欢.

等变神经网络

O(3) 群的不可约表示分解相对简单，其每种不可约表示可以用 (l,p) 标记，l=0,1,2,... 为阶数，p=e,o为奇偶性，l阶不可约表示的维数为 2l+1。举个例子，在最开始我们为了描述抽象的矢量，通过选取坐标系将其表示为三维线性空间的一组坐标，而旋转变换则表示为这个线性空间上的一个旋转矩阵。但是这里群元素作为一个变换操作，是抽象的对象。以两个矢量的张量积为例，矢量的维数为3，那么张量积的结果的维数为9，可以分解为一个标量（维数为1），一个赝矢量（维数为3）和一个无迹对称二阶张量（维数为5）。

一、引言 1、旋转目标检测检测就是将具有旋转方向的目标检测出来，也就是需要检测目标的中心点、长宽、角度。在俯视图的目标检测中比较常见，如遥感图像目标检测、航拍图像目标检测等。(见下图旋转目标检测，图源论文RoI Transformer ) 2、旋转目标检测算法，目前多阶段里面性能较好的是RoI Transformer这个算法，本篇博客将详细分析此算法。 论文《Learning RoI Transformer for Oriented Object Detection in Aerial Images》 开

本文给大家带来的改进机制是Damo-YOLO的RepGFPN（重参数化泛化特征金字塔网络），利用其优化YOLOv5的Neck部分，可以在不影响计算量的同时大幅度涨点（亲测在小目标和大目标检测的数据集上效果均表现良好涨点幅度超级高！）。RepGFPN不同于以往提出的改进模块，其更像是一种结构一种思想(一种处理事情的方法)，RepGFPN相对于BiFPN和之前的FPN均有一定程度上的优化效果。

探索高效目标检测新星：ReDet 在计算机视觉领域，目标检测是至关重要的一步，它涉及识别并定位图像中的特定对象。ReDet 是一个创新的目标检测框架，由北京大学的研究团队开发，旨在提供更高效、准确的多尺度目标检测解决方案。它的设计思路独特，融合了回归和检测两种任务，实现了优异的性能，并且具有良好的可扩展性和易用性。 技术分析 双路径网络架构： ReDet采用了一种新颖的双路径网络结构，分为回归路...

SO(3)-equivariant层是一种神经网络层，它在SO(3)群（三维空间的旋转群）的作用下是等变的。这意味着，如果输入数据经过SO(3)群中的旋转操作，那么网络层的输出也会以相同的方式旋转，保持了旋转对称性。

推荐：SE(3)-Transformers——3D空间旋转平移等变注意力网络 项目介绍 SE(3)-Transformers是一款基于PyTorch和DGL的开源实现库，其灵感源自论文《SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks》。这个项目旨在提供一种新的深度学习模型，该模型能够处理3D数据，并对旋转...

参考代码：ReDet 1. 概述 导读：这篇文章针对旋转目标检测问题提出了一种新的检测算法ReDet（Rotation-equivariant Detector），在该算法（为二阶段检测算法）中对旋转目标检测问题进行了细致分析，从特征抽取的backbone、fpn网络开始，到后期特征对齐阶段都进行了改进。具体来讲就是使用具有平移、旋转、镜像不变属性的网络单元构建特征抽取网络，从而使得特征抽取网络具有rotation-equivariance。之后在RRoI Align（rotation RoI）的基础上构

在人工智能和计算机视觉领域中，处理球面信号如全景图像或地球表面的数据是一个重要且富有挑战性的任务。为此，我们向您推荐一个由PyTorch实现的旋转等变卷积神经网络（Spherical CNNs）库，它提供了在球面上进行高效计算的能力。这个库是基于[[1]](https://arxiv.org/abs/1801.10130)的研究论文，旨在帮助开发者构建对球面数据具有等变性的深度学习模型。 ###...

0.等变        平移不变性\color{blue}平移不变性平移不变性:将图片平移后再送入若干卷积层得到的结果，与将原图直接送入相同卷积层得到结果后再对特征图进行平移所得到的结果一样        如果一个函数满足，输入改变而输出也以同样的方式改变的这一性质，我们就说它是等变的。       &nbsp