本文针对传统旋转检测方法中角度周期性和参数测量单位不一致等问题提出了调制型旋转损失函数，结合八参数回归解决参数回归一致性问题，实验表明该方法在各类检测数据集上均取得了具有竞争力的表现，代码已公开发布。

Nov, 2019

本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和场景文本数据集上的实验结果表明该方法具有一致的显著改进。

Mar, 2021

本论文通过分析角度和水平检测参数之间的关系，将旋转回归损失的设计从归纳范式转变为演绎方法，引入KLD作为回归损失，并证明KLD不受比例影响，可以用于高精度检测，特别是对于长宽比较大的物体。实验结果表明此方法在多个数据集上具有一致的优越性。

Jun, 2021

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

本文讨论如何在旋转的航拍图像中高效地检测目标物体。我们针对传统八参数方法中使用的非比例损失函数（L1，L2和平滑L1）与检测度量旋转交集联合（IoU）的不稳定性，提出了一种新的基于马氏距离的损失函数，称之为马氏距离损失（MDL）。我们的实验结果表明，与传统的平滑L1（smooth L1）损失相比，使用MDL在旋转目标检测方面表现更加优异。

Apr, 2022

本文提出用高斯分布模型来检测旋转物体，通过使用Kullback-Leibler 分布测度作为新的回归损失函数，能够有效提高检测性能，同时提出一种高效的基于高斯度量的标签分配策略。实验结果表明，这种方法在二维和三维图像中的性能优于其他方法。

Sep, 2022

本文提出了一个基于极坐标分解的简单而有效的角度修正模块（ACM），可用于修复定向物体检测器的角度预测问题，实验结果表明，ACM可使Gaussian-based或SkewIoU方法在多个数据集上AP50和AP75性能提高到相同水平。

May, 2023

为了解决面向对象检测中旋转信息的准确预测问题，本文提出了线性高斯边界框（LGBB）与环形旋转卷积（RRC）方法，通过改进边界框表示和特征提取方法，实现了高精度的检测结果，并在Dota和HRSC2016数据集上实现了最先进的性能。

Nov, 2023

回归损失设计是面向对象检测的一个重要课题，由于角度的周期性和宽度和高度定义的不确定性，传统的L1距离损失及其变种一直以来都面临着度量不连续和类似于方形的问题，分布基方法则通过将有方向的框表示为分布而显示出显著优势，我们提出了一种新颖的有方向回归损失，Wasserstein距离（EWD）损失，以缓解类似于方形的问题。同时，基于有方向框的边缘表示，EWD损失可以推广到四边形和多项式回归场景，对多个常用数据集和不同的检测器的实验表明了该方法的有效性。

Dec, 2023

提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有损失函数的性能。

May, 2024