本文提出了一种名为 R2CNN 的新方法，用于检测自然场景图像中的任意方向文本，基于 Faster R-CNN 架构，它使用区域提议网络（RPN）生成对不同方向的文本进行包围的对称边界框，为每个由 RPN 提出的对称文本框提取其不同池化大小的汇集特征并使用拼接的特征同时预测文本 / 非文本得分、对齐框和最小包含倾斜框，最后使用倾斜的非最大值抑制来获得检测结果，在文本检测基准测试 ICDAR 2015 和 ICDAR 2013 中取得了竞争性的结果。

Jun, 2017

本文介绍了一种新颖的基于旋转的框架，用于自然场景图像中的任意方向文本检测。我们提出了 Rotation Region Proposal Network（RRPN），它们设计用于生成倾斜的提议并提供文本方向角度信息，然后针对性地适应边界框回归，以更精确地适应文本区域。本框架建立在基于区域提议的体系结构之上，保证了与先前的文本检测系统相比，任意方向文本检测的计算效率。我们在三个真实世界的场景文本检测数据集上使用旋转平整的算法，并展示其在效果和效率方面的卓越性。

Mar, 2017

研究通过直接回归预测物体边界偏移量，提高了多方向场景文本检测的效率，并且通过全卷积网络和单步后处理实现了高性能的检测框架。在 ICDAR2015 测序中，本文方法的 F1 得分为 81％，在其他标准数据集中也达到了最先进的性能。

Mar, 2017

该论文提出了一种利用文本边框的角点定位和定位相对位置的文本区域分割方法，结合了一般性物体检测和文本区域分割的优点，避免了它们的缺点，并在 ICDAR2013，ICDAR2015，MSRA-TD500，MLT 和 COCO-Text 上进行了实验，得出了比以前更好或相当的结果。

Feb, 2018

本研究旨在扩展 Facebook 的场景文本抽取系统 Rosetta，以有效处理社交媒体平台上的旋转文本，实现提取和识别旋转文本的模型的建立和部署。实验结果表明，这种改进对于检测旋转文本有着显著的提升效果。

Nov, 2018

本文提出了一种端到端的精调式单阶段旋转物体检测器，通过从粗粒度到细粒度的渐进式回归方法来快速准确检测多角度物体，并设计了特征细化模块和近似 SkewIoU 损失函数以提高检测精度。

Aug, 2019

本文提出了一种将角度预测任务从回归问题转变为分类问题的方法，并使用设计的 “圆滑标签” 和 “密集编码标签” 来解决周期性和编码长度过大的问题，在三个大规模公共数据集上进行了实验验证，证明了该方法的有效性。

Mar, 2020

提出了一种新的检测方法，应用了新定义的可旋转边界框（RBox），该方法可以有效地处理目标物体方向角任意的情况，并可以通过正确学习物体的正确方向角来实现旋转不变性。与基于传统边界框的方法相比，DRBox 在检测汽车、船舶和飞机的卫星图像方面表现更好，并且对输入图像和目标物体进行旋转更加稳健且能够正确输出其方向角，从而有助于高效定位多角度目标。

Nov, 2017

利用旋转敏感形变注意力来增强 DETR 在面向检测任务中对旋转目标的检测能力，进而提出了旋转物体检测 Transformer（RotaTR）作为 DETR 的扩展模型，相比原始 DETR，在检测密集和旋转对象方面显示出巨大优势，并与现有最先进的模型相比取得了竞争性的结果。

Dec, 2023

本文提出一种新颖的旋转多分类目标检测器 SCRDet，旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络，以及监督像素注意力网络和通道注意力网络，来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。

Nov, 2018