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

本文提出了一种基于高斯Wasserstein距离的新型回归损失函数作为解决旋转检测回归损失设计中边界不连续性和其对最终检测度量的不一致性的基本方法，通过将旋转包围盒转换为2D高斯分布来实现，具有高斯Wasserstein距离（GWD）可以通过梯度反向传播高效地学习的优势。GWD可以在没有重叠的情况下学习，即使对于小物体检测也经常如此。GWD具有三个独特的属性，可以优雅地解决边界不连续性和类方形问题，无论包围盒如何定义。在使用不同检测器的五个数据集上的实验证明了我们方法的有效性。

Jan, 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

本文探讨了原先在物体检测中使用的最大框方法会导致误差较大，提出了一种新的椭圆形框方法来增强模型对旋转的不变性。同时，引入旋转不确定性损失，使模型能够适应标签的不确定性，并通过实验验证了该方法在几个不同的数据集上能够显著提高模型的旋转不变性。

Sep, 2021

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

在遥感领域，我们提出了一种基于边缘梯度的独特损失函数，通过此函数解决了定向物体检测中面临的非可微性和梯度向量对齐的问题，并设计了一个基于边缘的自注意力模块，通过这两个创新，我们在DOTA数据集上实现了1.3%的mAP提升。

Sep, 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

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

该论文介绍了面向对象检测的点轴表示方法，强调其灵活性和几何直观性，其关键组成部分包括点和轴，点描述对象的空间范围和轮廓，轴定义对象的主方向，解决了传统基于边界框的方法中常见的位置和旋转不连续问题，实验证明该方法在面向对象检测任务中显著提高了性能。

Jul, 2024

本研究解决了遥感图像中方向性物体检测的挑战，特别是物体的多方向分布。提出的OrientedFormer通过引入高斯位置编码、Wasserstein自注意力和方向交叉注意力模块，实现了对方向性物体的有效定位和分类。实验结果表明，该方法在多个数据集上显著提升了检测性能，并减少了训练时间。

Sep, 2024