我们观测到的数据总是包含噪声的，为了得到更准确的结果，卡尔曼最早在1960年提出卡尔曼滤波器，Kalman Filter 的目的是利用先验知识，根据一批采样数据$(X_1, X2, …,X_n)$估计对象在n时刻的状态$Z_n$。例如我们在跟踪飞行器的时候，我们对它的运动状态并非一无所知，我们知道很多牛顿力学、运动学知识可以帮助我们做出判断。

目标检测中的旋转增强

2022-04-01

科研

目标检测中的旋转增强

论文：Towards Rotation Invariance in Object Detection——ICCV2021

代码：https://github.com/akasha-imaging/ICCV2021

¶1. 论文介绍

众所周知，一般的检测网络并不具备旋转不变性或者旋转等变性，在某些场景如遥感图像中，经常会对训练数据使用“旋转增强”来增强网络的性能。对于旋转之后的目标的ground truth，通常的做法是对原本的真值框旋转相同的角度，然后对旋转后的框取最大外接水平矩形，如下图红框所示。然而作者发现，这种最大外接框的取法会得到过于大的真值框，从而产生标签歧义问题，甚至会损害网络的检测性能，特别是AP75的性能。

这种通常的方法我们将它称为最大框法，它假设方框中的物体的形状为占满整个框的方形。而本文作者提出，用最大内接椭圆来表示bounding box中物体的形状为更优的表示，对图片旋转后，对这个椭圆进行旋转，取椭圆的最大外接矩作为旋转后物体的真值框，如上图墨蓝色框所示。最大内接椭圆的计算方法为：

Numpy常用操作

2021-07-07

其他文章

数组生成：

np.arange(0,10) 生成[0,10)的顺序矩阵
np.random.rand(4,3) # 0~1的随机小数矩阵，4行3列
np.random.randint(0, 10, size=5) # 随机数（5个）：第1个起始；第2个结束（不包括）；第3个随机数个数
np.random.randint(0, 10, size=(2, 5)) # 随机数组/矩阵（5个）：第1个起始；第2个结束（不包括）；第3个随机数个数（行，列）
np.random.seed(100) # 随机数种子，种子不变，每次生成的随机数也不变
或者使用rs = np.random.RandomState(100)设置随机数种子，然后通过rs.rand(4)等方法来使用，生成四个随机数
np.random.random(5) # 随机数(float型)，5个
np.random.random((3, 5)) # 随机数组/矩阵(float型)，（3行，5列）
np.random.normal(size=5) # 正态分布的5个随机数
np.random.normal(size=(3, 5)) # 正态分布的5个随机数组