自适应周期嵌入用于在航空影像中表示定向物体
本文提出了一个RoI Transformer 模型用于解决在航拍图像中检测旋转目标时，水平建议区域（HRoI）和旋转建议区域（RRoI）之间可能会引入不匹配的问题。该模型具有轻复杂度和高性能，提出的模型在两种常见而具有挑战性的遥感数据集DOTA和HRSC2016上表现出了最先进的性能。
Dec, 2018
本文提出了一种针对定向物体检测的一阶段无锚点检测器，即交互分支网络(IENet)，通过应用新的几何转换来更好地表示定向对象的角度预测，并开发了包含自我关注机制的分支交互模块来融合来自分类和框回归分支的特征，最后，引入了一种增强的IoU损失函数来检测OBB，该算法在与现有算法的比较实验中表现出卓越的效果。
Dec, 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
提出了一种针对航拍图像中目标识别的方法，使用基于关键点的检测器检测目标的中心点，进而回归边界感知向量以捕获定向边界框，通过旋转边界框分类实现在所有方向上的目标检测，并通过实验证明优于基线方法，与现有方法相比具有竞争优势。
Aug, 2020
本文提出了一种 Single-shot Alignment Network (S2A-Net) 来解决航拍图像目标检测中常见的分类得分与定位准确度不一致问题，该网络包括 Feature Alignment Module（FAM）和 Oriented Detection Module（ODM），能够自适应调整卷积特征和生成高质量的先验框，同时通过旋转滤波器编码方向信息来实现定位准确度与分类得分的一致性，并在大规模图像上取得了较高的速度和准确度。
Aug, 2020
本文提出了一种基于自适应点学习的方法来检测非轴对齐的空中目标，该方法采用自适应点表示法来捕捉任意方向实例的几何信息，并结合三种有向转换函数以及有效的质量评估和样本分配方案，使用空间约束惩罚离群点进行自适应学习，实验结果表明我们的方法在四个具有挑战性的空中数据集上表现良好。
May, 2021
本文提出一种新型的可微分角度编码器，名为相位移位编码器 (PSC)，它可以准确预测物体的方向，并提出了双频版本 (PSCD)。通过将不同周期的旋转周期性映射到不同频率的相位中，作者们提供了一个统一框架，可以解决定向物体检测中由旋转对称引起的各种周期性模糊问题。通过视觉分析和对三个数据集的实验，验证了该方法的有效性和潜力。
Nov, 2022
本文提出了一种基于von Mises分布的角度边界自由损失(ABFL)，用于解决在检测定向物体时出现的角度边界不连续性问题，通过将角度视为循环数据而不是线性数据来测量角度差异，引入角度周期性以减轻ABD问题并提高角度差异测量的准确性，同时为解决AOOD任务中由于旋转对称性产生的各种周期边界不连续性问题提供了简单有效的解决方案，不需要额外的编解码结构。在DOTA和HRSC2016数据集上的大量实验表明，所提出的ABFL损失优于一些专注于解决ABD问题的最先进方法。
Nov, 2023
该论文提出了基于复平面的有向检测框表示和三角误差损失函数，并构建了一个适用于复杂背景环境的有向对象检测模型，通过实验证明了该模型在有向对象检测方面的优越性能。
Jul, 2024