本文提出了一种旋转等变探测器（ReDet），它可以准确地预测方向并且具有巨大的模型尺寸减小，同时在 RoI 对齐上具有旋转不变性。在多个具有挑战性的航空影像数据集上，与以前的最佳结果相比，ReDet 的实验结果更好，同时可以降低 60％的参数（313 Mb 与 121 Mb）。

Mar, 2021

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

该论文提出了一种用于解决旋转物体检测中表现退化问题的新型调制旋转损失函数，并通过 RSDet 和 RSDet++ 进行了实验验证，实现了在挑战性基准 DOTA1.0、DOTA1.5 和 DOTA2.0 上的竞争结果。

Sep, 2021

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

本文介绍了一个名为 SCRDet++ 的目标检测算法，使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果，并通过实验验证了其在多个数据集上的有效性。同时，本文还发布了一个新的交通信号灯数据集 S2TLD，包含 5,786 张图像和 14,130 个信号灯实例。

Apr, 2020

本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

Nov, 2017

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

本文提出了一种名为旋转敏感回归检测器（RRD）的方法，旨在解决多方向文本探测器中存在的分类问题和面向文本方向的定位问题不相容的问题。该方法通过两个不同设计的网络分支提取具有不同特征的特征，具体地，通过旋转卷积过滤器提取旋转敏感特征的回归分支，通过池化旋转敏感特征提取旋转不变特征的分类分支。该方法在三个面向文本基准数据集上实现了最先进的性能，包括 ICDAR 2015、MSRA-TD500、RCTW-17 和 COCO-Text。并且在船舶收集数据集上对定位面向对象也取得了显著的进展，显示了该方法在面向对象检测方面的普适性。

Mar, 2018

本文提出了一种基于密集无锚点的旋转目标检测器 (DARDet)，直接预测特征映射中每个前景像素的旋转框的五个参数，同时设计了一个新的对齐卷积模块来提取对齐的特征，并引入 PIoU loss 进行精确和稳定的回归。在三个常用的航空目标数据集 (DOTA，HRSC2016 和 UCAS-AOD) 上取得了最先进的性能，同时保持高效率。

Oct, 2021

本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

Aug, 2021