摘要

旋转目标检测旨在识别和定位图像中任意方向的目标。在此任务中，不同图像中目标的朝向差异显著，且同一图像内往往存在多种方向的目标。这一固有特性使得标准主干网络难以有效提取这些任意方向目标的高质量特征。为此，本文提出自适应旋转卷积（Adaptive Rotated Convolution, ARC）模块，以应对上述挑战。在ARC模块中，卷积核能够自适应地旋转，从而在不同图像中有效提取具有不同朝向的目标特征；同时，引入一种高效的条件计算机制，以适应图像内部目标方向的大幅变化。两项设计在旋转目标检测任务中协同工作，无缝融合。此外，ARC模块可作为即插即用组件，方便地集成到多种视觉主干网络中，显著提升其对方向性目标的表征能力与检测精度。在常用基准数据集DOTA和HRSC2016上的实验结果表明，将所提出的ARC模块嵌入主干网络后，多种主流旋转目标检测器的性能均得到显著提升（例如，Rotated RetinaNet的mAP提升+3.03%，CFA的mAP提升+4.16%）。结合具有竞争力的Oriented R-CNN方法，本文提出的方法在DOTA数据集上取得了81.77% mAP的当前最优性能。代码已开源，地址为：\url{https://github.com/LeapLabTHU/ARC}。