科研笔记

Appearance

FAA: Fourier Angle Alignment for Remote Sensing Oriented Object Detection ​

CVPR 2026 | 傅里叶角度对齐的遥感旋转目标检测

  • 来源: 知乎专栏 - YOLO系列实战
  • 作者: AI小怪兽
  • 发布日期: 2026-04-18
  • 标签: oriented-detection remote-sensing Fourier CVPR2026

核心贡献 ​

  1. 提出傅里叶角度对齐（FAA）：首次利用傅里叶旋转等变性和矩形频谱能量垂直于主轴的性质，在频域中估计目标主方向并进行特征对齐，为旋转目标检测提供新视角。

  2. 设计即插即用模块：

    • FAAFusion：颈部方向对齐融合，解决跨尺度方向不一致性
    • FAA Head：检测头预对齐+残差融合，缓解分类与回归的任务冲突

  3. 显著提升性能：

    • DOTA-v1.0: 78.72% mAP（新SOTA）
    • DOTA-v1.5: 72.28% mAP（新SOTA）
    • 高IoU阈值下优势更明显

  4. 轻量高效：模块计算开销小，可无缝集成至主流旋转检测框架

背景与问题 ​

遥感目标检测的特殊性 ​

与通用目标检测相比，遥感中的目标（船舶、飞机、车辆）通常朝向任意方向。旋转目标检测采用定向边界框，同时预测类别和方向。

两个核心瓶颈 ​

1. 颈部方向不一致性 ​

  • 高层特征：强语义但空间细节模糊，方向粗略和低频
  • 低层特征：清晰边缘和纹理，携带精确的高频方向线索
  • 问题：直接融合时方向信号冲突，产生噪声，降低角度预测准确性

2. 检测头任务冲突 ​

  • 分类：需要旋转不变特征（无论方向如何，飞机都应被识别为飞机）
  • 回归：需要旋转敏感特征（目标旋转时特征必须改变）
  • 问题：同一RoI特征同时满足两个目标，导致折中，性能受限

方法原理 ​

傅里叶旋转等变性 ​

若空间信号旋转了 φ，其频谱也将旋转 φ：

$$F_\phi(\omega) = F(I(R_{-\phi}x))$$

这意味着可以从频谱中可靠地估计目标方向。

矩形频谱对齐 ​

对于矩形目标，其频谱能量集中在垂直于主轴的方向：

  • 由于 a > b（长边>短边），高频区域能量沿v轴（垂直于主轴）
  • 可据此估计目标的主方向

模块设计 ​

FAAFusion（颈部） ​

  1. 对高层特征上采样匹配低层特征分辨率
  2. 从低层特征在频域中估计主方向
  3. 用估计的方向旋转高层特征，使与低层特征对齐
  4. 融合对齐后的高层特征 + 低层特征 + 上采样特征

FAA Head（检测头） ​

  1. 对RoI特征在频域中估计主方向
  2. 将特征旋转到规范方向（0°）
  3. 旋转后的特征F_inv接近旋转不变，有利于分类
  4. 将原始RoI特征作为残差加回，保留细粒度空间线索
  5. 展平后通过共享全连接层，送入分类和回归分支

实验结果 ​

DOTA-v1.0 ​

骨干网络基础 mAP+FAA mAP提升
ResNet50--+0.68%
LSKNet-S--+1.00%
StripNet-S-78.72%+0.63%

SOTA: 使用 StripNet-S 达到 78.72% mAP，比 PKINet 高 0.33%

DOTA-v1.5 ​

骨干网络+FAA mAP提升
ResNet5067.14%+0.37%
LSKNet-S71.57%+1.73%
StripNet-S72.28%+2.02%

SOTA: 使用 StripNet-S 达到 72.28% mAP，比 PKINet 高 0.81%

HRSC2016 ​

骨干网络VOC2007 AP50 提升VOC2012 mAP 提升
Oriented R-CNN+2.17%+1.72%
LSKNet+1.81%+2.34%
Strip R-CNN+1.23%+0.43%

消融实验 ​

模块DOTA-v1.0 mAP
基线 (LSKNet-S)-
+ FAAFusion+0.42%
+ FAA Head+0.78%

高IoU性能 ​

方法优势在更高IoU阈值（0.70-0.90）下更加明显，展示精确方向建模的卓越能力。

总结 ​

  • 利用频域（傅里叶变换）估计目标主方向，开辟新视角
  • FAAFusion 解决跨尺度方向不一致性
  • FAA Head 解耦分类与回归的任务冲突
  • 轻量即插即用，性能提升显著，在高IoU下优势更明显

相关资料 ​

笔记创建时间: 2026-04-18