提出了一种名为自适应周期嵌入（APE）的用于表示航空图像中有向物体的新方法，它基于有向物体的角度周期性来表示角度，并使用更简单，更合理的标签生成规则和长边相交IoU（LIIoU）新方法。

Jun, 2019

本文提出了一种名为O^2-DNet的新型模型，该模型可以通过预测每个目标内的一对中间直线来检测有方向的对象，并且它是一种一级、无锚点和无NMS的模型。

Dec, 2019

本文提出了一种将角度预测任务从回归问题转变为分类问题的方法，并使用设计的“圆滑标签”和“密集编码标签”来解决周期性和编码长度过大的问题，在三个大规模公共数据集上进行了实验验证，证明了该方法的有效性。

Mar, 2020

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

MMRotate是一个开源的工具箱，为基于深度学习的流行旋转物体检测算法提供了一致的算法框架，支持18种最先进的算法和三种最常用的角度定义方法，并提供大量已训练的模型和详细的基准测试。

Apr, 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

本文提出了一种基于von Mises分布的角度边界自由损失(ABFL)，用于解决在检测定向物体时出现的角度边界不连续性问题，通过将角度视为循环数据而不是线性数据来测量角度差异，引入角度周期性以减轻ABD问题并提高角度差异测量的准确性，同时为解决AOOD任务中由于旋转对称性产生的各种周期边界不连续性问题提供了简单有效的解决方案，不需要额外的编解码结构。在DOTA和HRSC2016数据集上的大量实验表明，所提出的ABFL损失优于一些专注于解决ABD问题的最先进方法。

Nov, 2023

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