ReDet:A Rotation-equivariant Detector for Aerial Object Detection

女爷i 2022-09-02 04:06 21阅读 0赞

#### ReDet:A Rotation-equivariant Detector for Aerial Object Detection ####

![image-20210727140437703][]

### 文章目录 ###

*   *   *   *  ReDet:A Rotation-equivariant Detector for Aerial Object Detection
             *   *  参考
                 *  Introduction
                 *  Related Works
                 *  Preliminaries
                 *   *  Rotation-equivariant Networks
                     *  Rotation-invariant Features
                 *  Rotation-equivariant Detector
                 *   *  Rotation-equivariant Backbone：旋转同变Backbone
                     *  Rotation-invariant RoI Align：旋转不变RoI Align
                 *  Experiments and Analysis

##### 参考 #####

*  笔记：[1、论文笔记：ReDet: A Rotation-equivariant Detector for Aerial Object Detection][1_ReDet_ A Rotation-equivariant Detector for Aerial Object Detection]
 *  翻译：[2、ReDet A Rotation-equivariant Detector for Aerial Object Detection 论文学习][2_ReDet A Rotation-equivariant Detector for Aerial Object Detection]
 *  翻译：[3、Learning roi transformer for oriented object detection in aerial images][3_Learning roi transformer for oriented object detection in aerial images]
 *  笔记：[4、 \[论文笔记\]Arbitrary-Oriented Scene Text Detection via Rotation Proposals][4_ _Arbitrary-Oriented Scene Text Detection via Rotation Proposals]
 *  笔记：[5、《RRPN：Arbitrary-Oriented Scene Text Detection via Rotation Proposals》论文笔记][5_RRPN_Arbitrary-Oriented Scene Text Detection via Rotation Proposals]
 *  笔记：[6、R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object][6_R3Det_ Refined Single-Stage Detector with Feature Refinement for Rotating Object]
 *  笔记：[7、论文笔记：Group Equivariant Convolutional Networks][7_Group Equivariant Convolutional Networks]
 *  原文：[8、HEXACONV][8_HEXACONV]
 *  笔记：[9、\[论文理解\]旋转等变向量场网络Rotation equivariant vector field networks][9_Rotation equivariant vector field networks]
 *  笔记：[10、Oriented Response Networks 论文解读][10_Oriented Response Networks]
 *  笔记：[11、有方向的CNN–Oriented Response Networks][11_CNN_Oriented Response Networks]
 *  笔记：[12、\[论文理解\]E(2)群等变可操控神经网络General E(2) - Equivariant Steerable CNNs][12_E_2_General E_2_ - Equivariant Steerable CNNs]
 *  笔记：[13、\[论文理解\]为旋转等变CNN学习可操纵卷积核Learning Steerable Filters for Rotation Equivariant CNNs][13_CNN_Learning Steerable Filters for Rotation Equivariant CNNs]
 *  笔记：[14、\[论文理解\]谐波网络：深度平移和旋转等变Harmonic Networks: Deep Translation and Rotation Equivariance][14_Harmonic Networks_ Deep Translation and Rotation Equivariance]
 *  视频：[15、Harmonic Networks: Deep Translation and Rotation Equivariance][15_Harmonic Networks_ Deep Translation and Rotation Equivariance]
 *  笔记：[16、ROI Pooling和ROI Align][16_ROI Pooling_ROI Align]
 *  笔记：[17、遥感检测——RoI Transformer（CVPR2019）][17_RoI Transformer_CVPR2019]
 *  笔记：[18、RoIAlign/RoIPooling CUDA源码解读][18_RoIAlign_RoIPooling CUDA]

##### Introduction #####

*  ![7bb446d4fe2d28c832616f04c112ffc0.png][]
 *  CNN特征不具有旋转不变性，上图中上半部分将Input旋转了一个角度，输入左图用普通CNN提取feature map得到的feature是不同的，而输入到右图中提取了**旋转同变特征**（ Rotation-equivariant features,ReCNN提取）
    
     *  RoI-Align只能在空间维度上实现旋转不变性，ReDet提出了一种新的旋转不变性RoI（RiRoI）Align算法来提取空间维度和方向维度上的旋转不变性特征
        
         *  直接将普通RRoI旋转应用到**旋转同变特征**上并不能产生**旋转不变特征**，因为它只能旋转二维平面上的区域特征，即空间维度（可以理解为前两维），而方向通道仍然是错位的（channel）。为了提取完全旋转不变的特征，我们还需要**根据RRoI的方向调整特征图的方向维数**。
         *  具体的方式如上图的右下角所示，在原来RRoI的基础上，再加一次方向维度的调整，原文是说用的循环转换各个通道
            
             *  by circularly switching orientation channels and feature interpolation
     *  因此，所谓rotation-invariant feature = rotation-equivariant backbone + Ri RoI
        
         *  Ri RoI = RRoI + orientation alignment
 *  ![c875c3c6711e122431f508e67bb82d71.png][]
 *  R18代表采用了ResNet18作为backbone，ReR50同理
    
     *  ReR18在效果上几乎追平其他模型的R50版本，ReR50更是在参数量较少的前提下拥有最高的mAP

##### Related Works #####

*  HBB->OBB
 *  **Rotation-equivariant Networks**，将下面的方法从分类任务中引入目标检测任务中去
    
     *  提出了群卷积，将4倍旋转同变纳入CNN
        
         *  参考：[论文笔记：Group Equivariant Convolutional Networks][7_Group Equivariant Convolutional Networks]
     *  将群卷积推广到六角格子上的6倍旋转同变
        
         *  [HEXACONV][8_HEXACONV]
     *  通过插值对滤波器进行再采样
        
         *  参考：[\[论文理解\]旋转等变向量场网络Rotation equivariant vector field networks][9_Rotation equivariant vector field networks]
         *  参考：[Oriented Response Networks 论文解读][10_Oriented Response Networks]
         *  参考：[有方向的CNN–Oriented Response Networks][11_CNN_Oriented Response Networks]
     *  使用谐波（harmonics）作为滤波器在连续域中产生equivariant feature（所谓滤波器就是多个卷积核的堆叠），根据代码实现，作者采用的是参考1，借用e2cnn的实现来重写backbone，
        
         *  **参考：[\[论文理解\]E(2)群等变可操控神经网络General E(2) - Equivariant Steerable CNNs][12_E_2_General E_2_ - Equivariant Steerable CNNs]**
         *  参考：[\[论文理解\]为旋转等变CNN学习可操纵卷积核Learning Steerable Filters for Rotation Equivariant CNNs][13_CNN_Learning Steerable Filters for Rotation Equivariant CNNs]
         *  参考：[\[论文理解\]谐波网络：深度平移和旋转等变Harmonic Networks: Deep Translation and Rotation Equivariance][14_Harmonic Networks_ Deep Translation and Rotation Equivariance]
            
             *  视频：[Harmonic Networks: Deep Translation and Rotation Equivariance][15_Harmonic Networks_ Deep Translation and Rotation Equivariance]
             *  ![Regular CNN][]
             *  ![hnet][]
 *  **Rotation-invariant Object Detection**
    
     *  旋转不变的特征对于任意朝向的目标检测来说很重要。但是，**CNN 对旋转变化进行建模的能力很差**，也就是说需要更多的参数来编码朝向信息。STN 和 DCN 直接在网络中建模旋转角度，在朝向目标检测上广泛使用。Cheng 等人提出了一个旋转不变层，对目标函数施加了一个显式的正则约束。尽管上述方法能够取得旋转不变性的近似效果，但需要大量的参数和训练样本。此外，目标检测需要实例级的旋转不变特征。因此，一些方法将 RoI warping 扩展为 RRoI warping，比如 **RoI Transformer 学习如何将 HRoIs 变换为 RRoIs，然后利用一个旋转的位置敏感的 RoI Align 操作来扭曲区域特征**。但是正常的 CNN 不具备旋转同变性。所以，哪怕通过 RRoI Align，我们仍无法提取出旋转不变特征。和这些方法不同，本文方法通过旋转不变 RoI Align(RiRoI Align) 从旋转同变特征中提取旋转不变特征。**作者在主干网络中加入了旋转同变网络，产生旋转同变特征，然后在空间维度和朝向维度，利用 RiRoI Align 从旋转同变特征中提取出旋转不变特征。**

##### Preliminaries #####

*  **同变性**就是说，如果我们对模型的输入做变换，我们应该可以预测该特征的变换结果。
    
     *  给定一个变换群 G 和函数 $\\Phi： X\\rightarrow Y $，同变性可以表示为：
    
     Φ \[ T g X ( x ) \] = T g Y \[ Φ ( x ) \] ∀ ( x , g ) ∈ ( X , G ) ( 1 ) \\Phi\[T^X\_g(x)\] = T^Y\_g\[\\Phi(x)\] \\qquad ∀(x, g) ∈ (X, G) \\qquad (1) Φ\[TgX(x)\]=TgY\[Φ(x)\]∀(x,g)∈(X,G)(1)
    
     *  其中 T g T\_g Tg表示在相应空间内的一组的操作。如果所有 T g X T\_g^X TgX和 T g Y T\_g^Y TgY的值是一样的，同变性就变成了不变性
     *  对于上面这段公式，个人理解是：
        
         *   T g X T\_g^X TgX的意思应该是对X做 T g T\_g Tg变换，同理 T g Y T\_g^Y TgY的意思应该是对Y做 T g T\_g Tg变换，但是这两种变换不一定是相同的
         *  对于输入x，对其做变换得到 T g X ( x ) T\_g^X(x) TgX(x)然后再经过函数 Φ \\Phi Φ得到 Φ ( T g X ( x ) ) \\Phi(T\_g^X(x)) Φ(TgX(x))，即可理解为先对图片做变换再输入模型中去
         *  若先再经过函数 Φ \\Phi Φ得到 Φ ( x ) \\Phi(x) Φ(x)，再对其进行变换得到 T g Y ( Φ ( x ) ) T\_g^Y(\\Phi(x)) TgY(Φ(x))，即可理解为把图片输入到模型中去，再对输出对结果做一定变换
         *  上述的两个变换不一定相同，但是当对于 T g X T\_g^X TgX变换总存在一个 T g Y T\_g^Y TgY变换使得(1)等式成立，则说模型具有同变性，当所有 T g X T\_g^X TgX和 T g Y T\_g^Y TgY的变换是一样的，则说明
         *  这里引入了群论，群有一个性质，如果两个群满足双射的条件，也即存在一个变换，可以让两个群的元素一一对应，那么就称这两个群是同构的（特指等距同构）。等距同构是指在度量空间之间保持距离关系的同构。在几何学中对应全等变换。
 *  以**CNN的平移同变性**为例(等式的左右两边的 T t T\_t Tt变换相同时，原文没说相同，因此用了同变性)：
    
     *  让 T t T\_t Tt表示平移分组( R 2 R^2 R2,+)的一个操作，将其应用在K维的特征图 f f f上：$Z^2 \\rightarrow R^K $，平移不变性可以表示为：
    
     \[ \[ T t Z 2 f \] ∗ ϕ \] ( x ) = \[ T t R K \[ f ∗ ϕ \] \] ( x ) ( 2 ) \[\[T\_t^\{Z^2\} f\]\*\\phi\](x) = \[T\_t^\{R^K\}\[f\*\\phi\]\] (x) \\qquad (2) \[\[TtZ2f\]∗ϕ\](x)=\[TtRK\[f∗ϕ\]\](x)(2)
    
     *  对于上述公式:
        
         *   x ∈ ( R 2 , + ) x\\in (R^2,+) x∈(R2,\+)， ∗ \* ∗表示卷积操作， ϕ \\phi ϕ表示卷积核， f ∗ ϕ f\*\\phi f∗ϕ则表示对输入x得到的特征图 f f f进行卷积，而 T t f T\_t f Ttf则表示先对特征图进行平移变换
         *  于是先平移后卷积得到的结果可以通过先卷积然后进行（不一定相同的）平移操作得到，此为CNN的平移同变性
         *  当然对于CNN来说，一般 T t Z 2 T\_t^\{Z^2\} TtZ2= T t R K T\_t^\{R^K\} TtRK，因此具有平移不变性
 *  所谓**旋转同变性**，可以参考平移同变性：
    
     *  最近提出的一些方法将 CNN 扩展为更大的分组，实现平移不变和旋转不变([e2cnn][12_E_2_General E_2_ - Equivariant Steerable CNNs])，以 H表示旋转分组，如循环分组  C N C\_N CN 包含多个离散的旋转角度，角度为 $\\frac\{2\\pi\}\{N\} $的倍数,我们可以定义分组G为平移分组 (  R 2 R^2 R2 , + ) 和旋转分组H的间接乘积，即 G ≅ ( R 2 , + ) ⋊ H G \\cong (R^2,+) \\rtimes H G≅(R2,\+)⋊H。在等式2中，将 x ∈ ( R 2 , + ) x\\in (R^2,+) x∈(R2,\+)替换成 g ∈ G g \\in G g∈G，旋转同变性卷积可以定义为：
    
     \[ \[ T g Z 2 f \] ∗ ϕ \] ( g ) = \[ T g R K \[ f ∗ ϕ \] \] ( g ) ( 3 ) \[\[T\_g^\{Z^2\} f\]\*\\phi\](g) = \[T\_g^\{R^K\}\[f\*\\phi\]\] (g) \\qquad (3) \[\[TgZ2f\]∗ϕ\](g)=\[TgRK\[f∗ϕ\]\](g)(3)

###### Rotation-equivariant Networks ######

*  正常的 CNN 由一系列卷积层组成，具有平移权重共享的性质。类似地，旋转同变性网络也由一组旋转同变层组成，权重共享的程度更高，即平移和旋转权重共享。（将(3)的结论推广到所有层），以 Φ = \{ L i ∣ i ∈ \{ 1 , 2.... , M \} \} \\Phi = \\\{ L\_i|i \\in \\\{ 1,2....,M\\\}\\\} Φ=\{ Li∣i∈\{ 1,2....,M\}\}表示分组G，具有M个旋转同变层的网络，对某一层 L i ∈ Φ L\_i \\in \\Phi Li∈Φ,旋转变换 T r T\_r Tr可以通过该层保留下来：

L i \[ T r Z 2 ( g ) \] = T r R K \[ L i ( g ) \] g ∈ G ( 4 ) L\_i\[T\_r^\{Z^2\}(g)\] = T\_r^\{R^K\}\[L\_i(g)\] \\qquad g \\in G \\qquad (4) Li\[TrZ2(g)\]=TrRK\[Li(g)\]g∈G(4)

*  那么推广到全部忘了，如果对输入I使用 T r T\_r Tr,他会被每一层旋转同变卷积保留下来，进而被整个网络保留下来，于是就可以得到旋转同变的CNN了，如下所示：

\[ ∏ i = 1 M L i \] ( T r Z 2 I ) = T r R K \[ ∏ i = 1 M L i \] ( I ) ( 5 ) \[\\prod\_\{i=1\}^ML\_i\](T\_r^\{Z^2\}I) = T\_r^\{R^K\}\[\\prod\_\{i=1\}^ML\_i\](I) \\qquad (5) \[i=1∏MLi\](TrZ2I)=TrRK\[i=1∏MLi\](I)(5)

###### Rotation-invariant Features ######

*  对于输入做任意的旋转变换  T r T\_r Tr ，如果输出保持不变，我们就说这个输出特征是旋转不变的。旋转不变特征可以分为3个层级：图像层级，实例层级和像素层级。这里我们主要关注实例层级的选择不变特征，对于目标检测任务来说更加适合。
 *  **（ROI部分）**：对$ I\_R\\in I  ， ， ， f\_R\\in f  , 分 别 表 示 图 像 ,分别表示图像 ,分别表示图像I 的 R o I 和 特 征 图 的 RoI 和特征图 的RoI和特征图f 的 R o I , 的 RoI, 的RoI,f=\\Phi(I) 。 假 设 。假设 。假设I\_R 是 一 个 H o I ( x , y , w , h ) ， 对 朝 向 表 示 不 变 ， 是一个HoI(x,y,w,h)，对朝向表示不变， 是一个HoI(x,y,w,h)，对朝向表示不变，T\_r 表 示 旋 转 操 作 ， 则 表示旋转操作，则 表示旋转操作，则T\_rI\_R 则 是 一 个 关 于 朝 向 则是一个关于朝向 则是一个关于朝向\\theta 对 R R o I ( x , y , w , h , 对RRoI(x,y,w,h, 对RRoI(x,y,w,h,\\theta$),那么可以得到和(5)类似的旋转同变的式子

Φ ( T r I R ) = T r Φ ( I R ) ( 6 ) \\Phi(T\_rI\_R)=T\_r\\Phi(I\_R) \\qquad (6) Φ(TrIR)=TrΦ(IR)(6)

*  我们如果将图像 I I I的HRoI（ I R I\_R IR）看作图像 I I I的RRoI( T r Z 2 I R T\_r^\{Z^2\}I\_R TrZ2IR)的旋转不变特征，那么 Φ ( I R ) \\Phi(I\_R) Φ(IR)可以当作 Φ ( T r I R ) \\Phi(T\_rI\_R) Φ(TrIR)在对应特征空间的旋转不变特征(可由(6)式得到)。
    
     *  原文的意思我的理解是：原来backbone部分输出的是旋转同变特征，我们需要在RoI这里将其变为旋转不变特征，要使同变转化为不变，则等式左右两边的转化操作需要一样，也就是做另一侧的反操作( T r T\_r Tr通常就是朝向 θ \\theta θ的一个函数： T r = T ( θ ) T\_r=T(\\theta) Tr=T(θ))
    
     Φ ( I R ) = ( T r ) ′ Φ ( T r ) ( 7 ) \\Phi(I\_R) = (T\_r)^\{'\} \\Phi(T\_r) \\qquad (7) Φ(IR)=(Tr)′Φ(Tr)(7)

##### Rotation-equivariant Detector #####

###### Rotation-equivariant Backbone：旋转同变Backbone ######

*  这个由上面的理论得到，想要得到旋转同变特征，则需要得到旋转同变网络（Rotation-equivariant Networks），在实现上，作者将带有FPN的ResNet重写，使用e2cnn.nn替代torch.nn得到具有旋转同变的backbone——ReResNet，通过这个网络，可以得到旋转同变特征图。
 *  它有如下特点
    
     *  (a) 更高度的权重共享。
     *  (b)丰富的朝向信息。
     *  © 模型体积更小。

###### Rotation-invariant RoI Align：旋转不变RoI Align ######

*  其任务就是将旋转同变feature map转化后得到旋转不变的feature map（实例级），所谓旋转不变，就是无论输入如何改变（旋转），输出总是不变
 *  常见的 RRoI warping 只能在空间维度对齐特征，而没有对齐朝向维度。
    
     *  如上图 ©所示RiRoI Align 包含2个部分：(1)空间对齐。 (2) 朝向对齐。对于输出区域特征 f ^ R \\hat f\_R f^R,朝向对齐表示为：
     *   f ^ R = I n t ( S C ( f R , r ) , θ ) , r = └ θ ∗ N 2 π ┘ ( 8 ) \\hat f\_R = Int(SC(f\_R,r),\\theta),\\qquad r=\\llcorner \\frac\{\\theta\*N\}\{2\\pi\} \\lrcorner \\qquad (8) f^R=Int(SC(fR,r),θ),r=└2πθ∗N┘(8)
     *  其中SC,Int分别表示切换通道和特征插值操作。
     *  对于输出区域特征$ f\_R , 首 先 计 算 出 一 个 索 引 值 ,首先计算出一个索引值 ,首先计算出一个索引值r ， 然 后 循 环 地 切 换 朝 向 通 道 ， 确 保 ，然后循环地切换朝向通道，确保 ，然后循环地切换朝向通道，确保C\_N^\{®\} 是 第 一 个 朝 向 通 道 。 但 是 因 为 旋 转 同 变 性 只 在 里 塞 的 分 组 是第一个朝向通道。但是因为旋转同变性只在里塞的分组 是第一个朝向通道。但是因为旋转同变性只在里塞的分组C\_N 中 得 到 ， 如 果 中得到，如果 中得到，如果\\theta \\notin C\_N 我 们 需 要 对 特 征 做 插 值 ， 我 们 用 最 近 的 我们需要对特征做插值，我们用最近的 我们需要对特征做插值，我们用最近的l 朝 向 特 征 做 插 值 ， 如 , 朝向特征做插值，如, 朝向特征做插值，如,l=2 的 第 的第 的第i$个朝向通道的输出特征可以表示为：
     *   f ^ R ( i ) = ( 1 − α ) f R ( i ) + α f R ( i + 1 ) ( 9 ) \\hat f\_R^\{(i)\} = (1- \\alpha)f\_R^\{(i)\} +\\alpha f\_R^\{(i+1)\} \\qquad (9) f^R(i)=(1−α)fR(i)\+αfR(i\+1)(9)
     *  其中 α = θ ∗ N 2 π \\alpha = \\frac\{ \\theta \* N\}\{2 \\pi\} α=2πθ∗N 表示一维插值的距离因子，同时 i ∈ \[ 1 , N \] i \\in \[1,N\] i∈\[1,N\]，可以使用mod函数实现
 *  在实现中，作者先对再进行RRoI（参考RoI Transformer中的方法）,然后channel进行**旋转**（用rotate比较合适）与插值
    
     *  [18、RoIAlign/RoIPooling CUDA源码解读][18_RoIAlign_RoIPooling CUDA]
     *      //文件位于：ReDet/mmdet/ops/riroi_align/src/riroi_align_kernel.cu/RiROIAlignForward
            // 这里是旋转的代码
            //nOrientation表示结构图中的N，代表把特征图分成N块
            // o在这里表示分出来的块的编号
            int o = (index / pooled_width / pooled_height) % nOrientation;
            
            // TODO
            // find aligned index
            // 相当于图中r= [\theta * N / 2*PI]
            scalar_t ind_float = theta * nOrientation / (2 * PI);
            int ind =  floor(ind_float);
            scalar_t l_var = ind_float - (scalar_t)ind;
            scalar_t r_var = 1.0 - l_var;
            
            // correct start channel
            // 开始通道编号
            ind = (ind + nOrientation) % nOrientation;
            // rotated channel
            // 旋转通道
            int ind_rot = (o - ind + nOrientation) % nOrientation;
            int ind_rot_plus = (ind_rot + 1 + nOrientation) % nOrientation; 
            
            const scalar_t* offset_bottom_data =
                    bottom_data + (roi_batch_ind * channels * nOrientation + c * nOrientation + ind_rot) * height * width;
            
                const scalar_t* offset_bottom_data_plus =
                    bottom_data + (roi_batch_ind * channels * nOrientation + c * nOrientation + ind_rot_plus) * height * width;
            
            
            //...//
            // 双线性插值
            scalar_t val = bilinear_interpolate<scalar_t>(
              offset_bottom_data, height, width, y, x);
            scalar_t val_plus = bilinear_interpolate<scalar_t>(
              offset_bottom_data_plus, height, width, y, x);
            output_val += r_var * val + l_var * val_plus;
            }

##### Experiments and Analysis #####

*  ![image-20210730004421241][]

[image-20210727140437703]: /images/20220829/54be52d9f2944239a64b4304954bc815.png
[1_ReDet_ A Rotation-equivariant Detector for Aerial Object Detection]: https://blog.csdn.net/VISTA_Zhang/article/details/116645792
[2_ReDet A Rotation-equivariant Detector for Aerial Object Detection]: https://blog.csdn.net/calvinpaean/article/details/118414551
[3_Learning roi transformer for oriented object detection in aerial images]: https://blog.csdn.net/chengyq116/article/details/95934541
[4_ _Arbitrary-Oriented Scene Text Detection via Rotation Proposals]: https://blog.csdn.net/u013250416/article/details/78597557
[5_RRPN_Arbitrary-Oriented Scene Text Detection via Rotation Proposals]: https://blog.csdn.net/m_buddy/article/details/89416473
[6_R3Det_ Refined Single-Stage Detector with Feature Refinement for Rotating Object]: https://blog.csdn.net/space_dandy/article/details/109071803
[7_Group Equivariant Convolutional Networks]: https://blog.csdn.net/hongbin_xu/article/details/91341101
[8_HEXACONV]: https://arxiv.org/pdf/1803.02108.pdf
[9_Rotation equivariant vector field networks]: https://blog.csdn.net/bxdzyhx/article/details/109813038
[10_Oriented Response Networks]: https://blog.csdn.net/u011489887/article/details/89494238
[11_CNN_Oriented Response Networks]: https://blog.csdn.net/zhangjunhit/article/details/76637772
[12_E_2_General E_2_ - Equivariant Steerable CNNs]: https://blog.csdn.net/bxdzyhx/article/details/110521748
[13_CNN_Learning Steerable Filters for Rotation Equivariant CNNs]: https://blog.csdn.net/bxdzyhx/article/details/110408809
[14_Harmonic Networks_ Deep Translation and Rotation Equivariance]: https://blog.csdn.net/bxdzyhx/article/details/110407844
[15_Harmonic Networks_ Deep Translation and Rotation Equivariance]: https://www.bilibili.com/video/av71725657/
[16_ROI Pooling_ROI Align]: https://zhuanlan.zhihu.com/p/73138740
[17_RoI Transformer_CVPR2019]: https://zhuanlan.zhihu.com/p/267484680
[18_RoIAlign_RoIPooling CUDA]: https://blog.csdn.net/mingqi1996/article/details/97273577
[7bb446d4fe2d28c832616f04c112ffc0.png]: /images/20220829/74a7bdc8566a4024b1a9ac5bfc37dae0.png
[c875c3c6711e122431f508e67bb82d71.png]: /images/20220829/e7f925aeccc64a7f8b27daa81faa5955.png
[Regular CNN]: /images/20220829/07c07f68a53142749c59ce6689e57a48.png
[hnet]: /images/20220829/1e2e2954fb7a40aa93e096c0685d8836.png
[image-20210729150019787]: /images/20220829/065b0fb959f647af9494d1d302603977.png
[image-20210730004421241]: /images/20220829/c77c01b79b7f46fe8aca6f0c7324342a.png