我们介绍了 P2RBox 网络，它利用点注释和掩膜生成器创建掩膜提案，并通过我们的检查器模块和约束器模块进行过滤，从而选择高质量的掩膜，并将其转换为旋转边界框注释以训练一个全监督检测器。这是第一次尝试使用点监督训练定向物体检测器。

Nov, 2023

本研究提出了一种新的弱监督检测器 H2RBox-v2，通过理论分析和自监督方法，利用镜像和旋转一致性来学习旋转框，克服了地面真实标注数据缺乏的问题，实现了一种基于对称性监测的有向目标检测方法。

Apr, 2023

本文提出了一种基于水平边界框注释的定向目标检测方法 H2RBox，利用弱监督和自监督学习进行训练，可以在复杂场景中更稳健地检测密集目标和离群值，并且与使用旋转框训练的方法在速度和性能方面相差无几。

Oct, 2022

PointOBB 是第一个基于单个点的有方向物体检测方法，通过协同利用三个独特视图：原始视图、调整后的视图和旋转 / 翻转视图，在原始视图的基础上，利用调整后的和旋转 / 翻转视图搭建了一个尺度增强模块和一个角度获取模块，实现了尺度和角度的耦合优化。实验证明，PointOBB 在 DIOR-R 和 DOTA-v1.0 数据集上表现出色，明显优于潜在的点监督基线。

Nov, 2023

本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

Jul, 2022

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

提出了一种可转移的半监督 3D 目标检测模型，通过训练存在强类别和弱类别两个不相交的物体类别集的数据，使用放松重投影损失、Box-to-Point Cloud Fit 网络等技术，从强类别向弱类别传递 3D 信息，并在 SUN-RGBD 和 KITTI 数据集上取得了优异的成果。

Apr, 2019

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

ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

Jul, 2022

本文提出了一种有效的点到框回归器 Group R-CNN 用于弱监督目标检测问题，在 MS-COCO 基准测试上实验表明，Group R-CNN 显著优于 Point DETR 等方法，可用于小批量标注数据集的物体检测。

May, 2022