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

本文提出了一种旋转等变探测器（ReDet），它可以准确地预测方向并且具有巨大的模型尺寸减小，同时在 RoI 对齐上具有旋转不变性。在多个具有挑战性的航空影像数据集上，与以前的最佳结果相比，ReDet 的实验结果更好，同时可以降低 60％的参数（313 Mb 与 121 Mb）。

Mar, 2021

本文提出了一种卷积神经网络的结构 RotEqNet，该结构能够通过旋转卷积操作和向量场编码等方法实现对遥感图像中同一对象不同方向的识别，提高了识别准确率并大幅度减少了参数数量。

Mar, 2018

本文探讨了原先在物体检测中使用的最大框方法会导致误差较大，提出了一种新的椭圆形框方法来增强模型对旋转的不变性。同时，引入旋转不确定性损失，使模型能够适应标签的不确定性，并通过实验验证了该方法在几个不同的数据集上能够显著提高模型的旋转不变性。

Sep, 2021

在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。

Nov, 2022

本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架，通过旋转保角本质的数据增强学习旋转不变性的本地描述符，并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证，在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。

Mar, 2021

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

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

本文提出了一种端到端的精调式单阶段旋转物体检测器，通过从粗粒度到细粒度的渐进式回归方法来快速准确检测多角度物体，并设计了特征细化模块和近似 SkewIoU 损失函数以提高检测精度。

Aug, 2019

本文中，我们提出了旋转等变向量场网络（RotEqNet），这是一种卷积神经网络（CNN）体系结构，可以编码旋转等变性、不变性和协方差性，并在图像分类、生物医学图像分割、方向估计和拼接匹配等多个问题上进行了测试。结果表明，相较于许多数量级更大的网络，RotEqNet 可以提供非常紧凑的模型，并提供与后者类似的结果。

Dec, 2016