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

本文提出了一种基于高斯建模和高斯乘积的有效近似 SkewIoU 损失，称为 KFIoU 损失，该损失易于实现并与基本检测器一起工作得更好，我们进一步将我们的技术扩展到 3D 案例。

Jan, 2022

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

在该论文中，我们提出了一种基于顶点滑动的方法来检测多方向对象，同时引入了一个倾斜因子来辅助水平或方向检测，并使用 Faster R-CNN 回归头添加了五个额外的目标变量，该方法优于目前多个先进的检测基准测试。

Nov, 2019

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

本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

Dec, 2016

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

通过对相机姿态变换的研究，我们发现 3D 物体检测性能在不同于训练数据所用相机系统的情况下明显降低。为了解决这个问题，我们提出了一个通用的 3D 物体检测方法，其中包括一个位置修正模块，用于校正估计的 3D 边界框位置和朝向，并在不进行额外训练的情况下，提高了 AP3D 得分（KITTI moderate，IoU > 70%）约 6 至 10 倍。定量和定性结果都验证了该方法的有效性。

Oct, 2023

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