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

提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

Dec, 2020

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018

通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块，以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本，并增强模型学习未见类别的区分特征的能力。在 DOTA 和 HRSC2016 数据集上进行了全面实验，我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。

Mar, 2024

通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

Jul, 2024

本研究提出了一种基于 FCOS 的单阶段无 anchor 旋转物体检测算法（FCOSR），采用椭圆中心采样方法定义适当的采样区域以便于 OBB 的采样和采用模糊采样分配策略为重叠的目标提供合理的标签，这些策略可以为训练样本分配更合适的标签。该算法在不同数据集上表现优越，同时可在大多数平台上部署。

Nov, 2021

我们提出了一种方法，通过增强定向目标检测模型的分类和回归任务，准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络，其中包含两个损失函数：Guided-Attention Loss（GALoss）和 Box-Points Loss（BPLoss）。实验结果表明，我们的 Attention-Points 网络在标准的小型目标空中数据集（DOTA-v1.5）和海事相关数据集（HRSC2016）中具有很好的效果。代码公开可用。

Jan, 2024

本文提出了一种名为 ARS-DETR 的纵横比感知的方向对象检测器，其中提出了一种新的角度分类方法 AR-CSL，设计了一个旋转可变形注意力模块来消除区域特征和采样点之间的不对齐，采用一个根据纵横比实施的动态权重系数来计算角度损失，并在多个具有挑战性的数据集上经过全面实验，表明我们的方法在高精度定向目标检测任务中具有竞争性能。

Mar, 2023

本研究提出了一种名为 DCFL 的动态先验方法和粗到细分配器，用以解决基于方向对象检测中标签分配、实例不平衡等问题，并在六个数据集上证明具有相应显著优势，特别是在单尺度训练和测试下获得了 DOTA-v1.5、DOTA-v2.0 和 DIOR-R 数据集的最先进性能。

Apr, 2023

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