近日，北京理工大学信息与电子学院博士生黄展超、李伟教授、陶然教授，美国特拉华大学夏香根教授共同合作，提出了一种“基于二维高斯标签分配的目标检测方法”，研究结果以《A General Gaussian Heatmap Label Assignment for Arbitrary-Oriented Object Detection》为题，发表于图像处理领域顶级期刊IEEE Transactions on Image Processing, (影响因子IF:10.855)。

图1 基于二维高斯标签分配的目标检测模型框架图

在目标视觉检测任务中，目标的任意方向性对基于深度学习的目标检测模型的标签分配和边界框表征提出了新的挑战。现有目标检测模型的标签分配大多依赖先验设置的锚定框或标准高斯热力图，这样的标签分配策略不仅无法准确反映任意方向目标的形状和方向等特征，而且依赖大量需要人工调整的超参数，这对于通用模型在多样化实际应用中的部署不友好。对此，本工作提出了一种基于二维高斯分布的任意方向目标标签弹性分配和目标检测方法GGHL，其模型框架如图1所示。

首先，设计了一种无超参依赖的任意方向目标弹性标签分配策略，采用如图2所示的二维高斯热力图引导正负样本采样点选取和标签分配，并且从缩放、平移、旋转等几何变换的角度阐释了二维高斯概率密度与标签分配中尺度、位置、方向特性的联系。其次，开发了一种任意方向边界框表示组件模型，并如图3所示通过神经网络学习自适应地调整高斯中心先验权重以适应不同物体的性质特征。在此基础上，还提出了具有面积归一化和动态置信度加权的定位-分类联合优化损失函数，以改善定位-分类不同子任务优化过程中可能存在的最优结果错配。

图2 二维高斯热力图引导的正负样本采样和标签分配

图3高斯中心先验权重自适应调整机制

在光学遥感图像、零售货柜场景图像、星载SAR图像等多类型数据集上进行的广泛实验表明，所提GGHL方法能够以更少的时间和超参数调整成本获得更高的目标检测性能，并且对于在嵌入式边缘计算平台上的部署友好，部分的实验结果如图4所示。

图4在多类型数据集以及嵌入式终端的可视化实验结果