[论文解读] AlphaRotate: A Rotation Detection Benchmark using TensorFlow

Xue Yang, Yue Zhou+1 more|arXiv (Cornell University)|Nov 12, 2021

Time Series Analysis and Forecasting参考文献 31被引用 5

一句话总结

AlphaRotate 是一个基于 TensorFlow 的开源旋转检测基准，支持超过 18 种最先进模型，涵盖航拍、文本和人脸检测任务。它通过模块化设计、全面测试和高代码覆盖率，实现了可扩展的训练与评估，采用 OpenCV 箱体定义和 KLD 损失时在 DOTA v2.0 上实现了高达 50.90 的 SOTA mAP 分数。

ABSTRACT

AlphaRotate is an open-source Tensorflow benchmark for performing scalable rotation detection on various datasets. It currently provides more than 18 popular rotation detection models under a single, well-documented API designed for use by both practitioners and researchers. AlphaRotate regards high performance, robustness, sustainability and scalability as the core concept of design, and all models are covered by unit testing, continuous integration, code coverage, maintainability checks, and visual monitoring and analysis. AlphaRotate can be installed from PyPI and is released under the Apache-2.0 License. Source code is available at https://github.com/yangxue0827/RotationDetection.

研究动机与目标

• 为解决在 TensorFlow 中缺乏统一、可扩展且可维护的旋转检测基准的问题。
• 提供一个模块化、文档齐全的框架，同时支持工业部署和学术研究。
• 实现对航拍、场景文本和人脸检测等多样化数据集上旋转检测模型的公平且全面的评估。
• 通过单元测试、持续集成、代码覆盖率和可视化监控，提升代码的可持续性。
• 支持多 GPU 训练、数据增强以及诸如随机权重平均等高级技术，以提升性能。

提出的方法

• AlphaRotate 采用模块化架构，将主干网络、颈部、头部和损失组件分离，实现灵活的模型组合。
• 使用 TensorFlow 的 tfrecord 格式实现高效数据加载，并支持多 GPU 训练和多进程推理。
• 框架集成了最先进旋转检测方法，包括基于锚点、无锚点以及混合模型（如 RSDet、R3Det 和 KLD）。
• 支持三种框定义方式：OpenCV（θ ∈ [−90°, 0°)）、长边（θ ∈ [−90°, 90°)）和四点框。
• 基准包含自动化测试，代码行覆盖率超过 92%，支持持续集成和可视化监控，确保模型可靠性。
• 提供 Docker 镜像、详细教程和 configs/ 目录下的配置文件，便于部署和自定义。

实验结果

研究问题

• RQ1 在 PyTorch 框架主导的背景下，如何在 TensorFlow 中构建一个可扩展、生产就绪的旋转检测基准？
• RQ2 采用模块化、充分测试且可扩展的框架，在旋转检测任务中能实现怎样的性能与代码可维护性水平？
• RQ3 先进损失函数（如 KLD、GWD）的集成如何影响不同数据集和框定义下的 mAP 表现？
• RQ4 AlphaRotate 在 DOTA、场景文本和人脸检测等多样化数据集上，能在多大程度上通过一致的评估协议实现支持？
• RQ5 基于 TensorFlow 的基准能否在确保工业部署效率的同时，实现与基于 PyTorch 的 SOTA 对手相当的性能？

主要发现

• 在 DOTA v2.0 上，采用 KLD 损失和 OpenCV 框定义时，AlphaRotate 实现了 50.90 的 mAP 50:95 分数，优于基准中其他模型。
• 基于 KLD 的模型在 DOTA v1.0 上达到 71.73 的 mAP 50，展现出在旋转检测任务中的强大泛化能力。
• 采用 FPN 主干网络和 R2-CNN 颈部结构时，AlphaRotate 在 DOTA v1.0 上实现了 66.45 的 mAP 50:95，表明使用标准组件也能实现高性能。
• 该框架支持多 GPU 训练和多进程推理，可高效扩展至大规模数据集。
• 所有模型均通过单元测试、持续集成和可视化监控保障，确保高代码可维护性和可靠性。
• 该基准包含 18+ 种最先进模型，并支持在近十种数据集（包括航拍、文本和人脸检测）上进行训练与评估。