本文提出一种基于共训练的方法，通过在目标数据集上进行更便宜的轴对齐注释，预测精确的旋转框，解决传统旋转检测器的旋转边界框注释耗时的问题。通过在跨域数据集上的知识转移，该方法可显著提高较弱注释数据集的学习效果，在各种目标数据集上表现良好。

Apr, 2023

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

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

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

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

本文通过对 3D 形状描述符的健壮性进行分析来评估其在 SO (3) 旋转（形状建模的基础）下的性能，并针对此任务考虑了不同方法的特征提取和分类。研究表明，针对相对简单的场景深度学习无法解决较大旋转差异或高难度对的问题，但是将旋转不变性设计为特征编码可以使其具有旋转不变性。

May, 2023

提出了一种具有对象级旋转等变性的 3D 物体检测器，EON，其通过旋转等变性悬挂设计来提取具有局部对象级空间支持并能够建模交叉对象上下文信息的等变特征，可应用于现代点云物体检测器，如 VoteNet 和 PointRCNN，以利用场景尺度下的物体旋转对称性，能够显著提高现有最先进 3D 物体检测器的表现。

Apr, 2022

本文提出了一个基于贪婪搜索的评估指标，用于评估目标检测模型的平移等变性，发现许多现代目标检测模型对输入图像的微小平移都非常敏感，并探究了文献中的解决方案及其有效性，揭示了这种平移变异性的程度和可能因素的贡献，为开发缓解或利用这种变异性的方法奠定基础。

Aug, 2020