Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images

少样本目标检测（FSOD）由于能够减少对大量标注数据的依赖，在遥感领域引起了广泛的研究关注。然而，在这一领域中仍存在两个挑战：（1）轴对齐的提议可能导致任意方向物体的错位，（2）标注数据的稀缺仍限制了对未见过物体类别的性能。为了解决这些问题，我们提出了一种新的遥感图像FSOD方法，称为Few-shot Oriented object detection with Memorable Contrastive learning（FOMC）。具体而言，我们采用定向边界框代替传统的水平边界框，为任意方向的航空物体学习更好的特征表示，从而提高检测性能。据我们所知，我们是第一个针对遥感图像中少样本定向物体检测问题进行研究的团队。为了解决物体误分类的挑战性问题，我们引入了一个带有动态更新记忆库的监督对比学习模块。该模块能够使用大批量的负样本，并增强模型学习未见过类别的区分特征的能力。我们在DOTA和HRSC2016数据集上进行了全面的实验，我们的模型在少样本定向物体检测任务上实现了最先进的性能。代码和预训练模型将会发布。

论文旨在解决遥感图像中的少样本定向目标检测问题，其中面临的挑战包括轴对齐提议和缺乏标注数据的限制。

论文提出了一种名为FOMC的少样本定向目标检测方法，采用有向边界框代替传统的水平边界框，以学习针对任意定向航空物体的更好特征表示，从而提高检测性能。此外，引入了一个有监督对比学习模块，用于处理目标误分类问题。

论文的实验结果表明，FOMC方法在DOTA和HRSC2016数据集上实现了最先进的性能，同时开放了代码和预训练模型。

最近的相关研究包括：Few-shot Object Detection (FSD)、Few-shot Learning (FSL)、Oriented Object Detection (OOD)等。