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

利用旋转敏感形变注意力来增强 DETR 在面向检测任务中对旋转目标的检测能力，进而提出了旋转物体检测 Transformer（RotaTR）作为 DETR 的扩展模型，相比原始 DETR，在检测密集和旋转对象方面显示出巨大优势，并与现有最先进的模型相比取得了竞争性的结果。

Dec, 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

本文提出了一种抛弃传统水平框架结构，利用 Coarse Location Module 生成初步的定位框，然后将其提炼为高质量的定向 proposals 的方法 ——Anchor-free Oriented Proposal Generator (AOPG)，并且在 DIOR_R, DOTA 和 HRSC2016 数据集上实现了 64.41%、75.24% 和 96.22% 的 mAP 准确率，这为解决遥感图像中的定向目标检测提供了一种新的方案。

Oct, 2021

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

本文提出了一个 RoI Transformer 模型用于解决在航拍图像中检测旋转目标时，水平建议区域（HRoI）和旋转建议区域（RRoI）之间可能会引入不匹配的问题。该模型具有轻复杂度和高性能，提出的模型在两种常见而具有挑战性的遥感数据集 DOTA 和 HRSC2016 上表现出了最先进的性能。

Dec, 2018

提出了一个名为 NBMOD 的大规模抓取检测数据集，包含 20 种不同类型的水果的 31,500 张 RGB-D 图像，以及用于解决定向边界框检测任务的旋转锚定机制（RAM）和一系列轻量级结构，其中 RAGT-3/3 模型在 NBMOD 数据集上实现了 99％的准确率。

Jun, 2023

本文提出了一种解决精细定向目标检测问题的方法，在形状和旋转特征下动态地选择样本，并使用关键特征提取模块和自适应的平滑 L1 损失函数来提高分类和定位的一致性，并在四个旋转目标检测数据集上展示了目标检测器的最先进性能。

Jun, 2023

本研究提出了一种关系感知全局注意力 (RGA) 模块，可以全面抓取全局结构信息以增强特征表示能力，实现了人员复识别 (Re-id) 领域的最新技术成果.

Apr, 2019

我们提出了一种具备有效的解码器的端到端定向目标检测器，该解码器结合了旋转 RoI 注意力（RRoI 注意力）和选择性不同查询（SDQ）两项技术，能够有效地解决遥感图像中多方向、不同尺度、密集分布的目标实例的检测问题。通过交叉注意机制，RRoI 注意力能够有效地聚焦定向感兴趣区域并对多尺度特征进行对齐。通过从中间解码器层收集查询并过滤相似查询以获得不同查询，提出的 SDQ 能够促进一对一标签分配的优化，而不会引入多余的初始查询或额外的辅助分支。在五个数据集上进行的大量实验证明了我们方法的有效性，尤其是我们的方法在 DIOR-R（67.31% mAP）、DOTA-v1.5（67.43% mAP）和 DOTA-v2.0（53.28% mAP）上取得了最先进的性能，使用了 ResNet50 作为骨干网络。

Nov, 2023