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

全旋转等变定向物体检测器 (FRED) 严格等变地实现了从图像到边界框预测的整个过程，利用旋转等变向量表示边界框实现旋转等变定位，并通过修正卷积操作进一步增强对图像层级旋转的鲁棒性，相比现有方法，FRED 在 DOTA-v1.0 上达到可比性能，而在 DOTA-v1.5 上提升了 1.5 mAP，同时模型参数显著减少至 16%。

Dec, 2023

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

本文提出了一种基于极坐标表示法、利用亚像素中心语义结构的快速高精度一阶段物体检测算法 ——PolarDet，其在航拍图像的物体检测任务上取得了几乎所有 SOTA 性能，并在 UCAS-AOD 数据集上取得最佳表现和最快速度（32fps）。

Oct, 2020

我们提出了一种新颖的旋转不变视觉变形器（RotTrans），利用视觉变形器的结构特点，在高级特征的基础上建立不变度约束，以增强模型对大旋转差异的鲁棒性。在最新的 UAV 数据集上，我们的模型表现优于现有的最先进技术，其 mAP 和 Rank1 值分别比最高值提高了 5.9% 和 4.8%。值得注意的是，我们的模型在传统城市摄像头上的人物再识别任务中也取得了竞争优势，在 ICCV 2021 年举办的多模式视频推理与分析比赛的基于 UAV 的人物重新识别赛道上获得第一名。

Nov, 2023

本文提出基于 Transformer 的新方法 O²DETR，实现了复杂的有方向物体检测，无需旋转锚点，其性能表现明显优于 Faster R-CNN 和 RetinaNet。

Jun, 2021

本文提出了一种卷积神经网络的结构 RotEqNet，该结构能够通过旋转卷积操作和向量场编码等方法实现对遥感图像中同一对象不同方向的识别，提高了识别准确率并大幅度减少了参数数量。

Mar, 2018