论文解读：CFC

作者通过三种现象说明了当前大多数检测方法存在的问题 1.曾经人们普遍使用的那些与gt的iou>0.5的anchor视为正样本的正样本分配策略是有缺陷的

红色虚线框为预定义的旋转anchor，绿色为红色虚线框经过训练回归得到的预测框。图a和图b的船只分别属于两艘不同的船只类别，图a中的anchor捕捉到了岛屿和船头特征，而图b中的anchor并没有捕获到岛屿和船头特征。如果用以前的分配策略，那么cnn就会认为这两艘船只是一样的类别。（PS:个人感觉作者的这种说法有些勉强，有可能因为预印本？ ） 2.通过cam热图可视化说明cnn是通过观察舰船的头部和尾部来进行分类的，所以我们应该将哪些能够捕捉到关键特征的anchor作为正样本，而不是以前认为的那样使用简单的iou分配策略来划分正负样本。 3.作者的第一篇论文dal中提到一种现象：并不是所有的正样本在回归后都能成为高质量样本，也并不是所有的负样本在被划分到负样本后就一无是处。相反，就算是正样本，也只是有百分之74的比例成为高质量样本，而那些所谓的负样本，到训练的最后，却有58%的比例成为了高质量检测框

整体结构

1.CA 通道注意力机制 2.SA 空间注意力机制

[1] Minghui Liao, Zhen Zhu, Baoguang Shi, Gui-song Xia, and Xiang Bai. Rotation-sensitive regression for oriented scene text detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 5909–5918, 2018. [2] Guanglu Song, Yu Liu, and Xiaogang Wang. Revisiting the sibling head in object detector. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 11563–11572, 2020.

本文引入了关键特征的概念，并通过实验和现象观察证明了关键特征对高精度目标检测的重要性。在此基础上，我们提出了一种名为关键特征捕获网络(CFC-Net)的检测网络，从特征表示、锚点细化和训练样本选择三个方面对单阶段检测器进行优化。具体的来说，我们通过基于双FPN的极化注意机制模块提取解耦的分类和回归关键特征。接着，我们在一个预设先验框上上完成高质量旋转锚框的生成，以获得那些与关键特征进行良好对齐的高质量旋转锚。最后，采用匹配度来衡量锚点捕捉关键特征的能力，从而筛选出具有较高定位潜力的候选正样本。如此一来，不仅分类与回归的任务不一致性导致的检测缺陷可以得到缓解，同时还能够实现高质量的检测性能。我们在3个遥感数据集上的大量实验验证了该方法的有效性。我们的方法以一种轻量模型获得了较好的检测性能。然而，我们的方法对关键特征的建模相对简单，仍然无法摆脱基于锚的检测框架。因此在未来的工作中，我们可能会进一步探索任意方向目标的关键特征在遥感图像中的分布，并尝试构建更复杂的关键特征表示。我们相信，通过更强大的特征表示，我们可以在不使用锚定先验的情况下实现目标检测，进一步提高检测器的速度和性能。