研究对象：

空中目标识别，空中目标探测和识别技术的深入研究是为了将空中打击目标从复杂的背景环境中尽可能地剥离出来，通过知识学习，实现对目标的类型确认，进而完成对目标的威胁评估，为快速打击提供判定和决策依据。

空中目标存在非轴对齐，具有任意方向，且周围环境复杂，因此传统回归边界框方向的主流方向不一样。

论文内容提出：

1、提出了一种有效的自适应点学习方法，利用自适应点表示捕捉任意方向实例的几何信息；提出了一种针对航空图像的定向物体检测器RepPoints，引入了不同方向、形状和姿势的自适应点表示法。

2、提出了三种定向转换函数，促进准确方向分类和定位。

3、为自适应点学习方法提出了一种有效的质量评估和样本分配方案。

4、在自适应学习中引入了空间约束来惩罚离群点。

网络：

自适应点集：表示一种用于描述和处理几何对象（如三维模型或点云数据）的方法。其中点集能够根据分析或处理任务的需要自适应地调整其密度和分布。可以理解为不适用原始的anchor前提下，采用点集的方式表示目标。

转换函数：将自适应点转换为定向边界框。

MinAreaRect：从面向对象的学习点集合中找出面积最小的旋转矩形。（不可微）

NearestGTCorner：利用地面实况注释，对每个角通过学习到的点集中的一个最近点作为预测角，并利用所选焦点构建一个四边形作为定向边界框。

ConvexHull：由Jarvis March算法驱动的凸包。

数据集：

DOTA、HRSC2016、UCAS-AOD、DIOR-R航空数据集

飞机识别问题：

空中目标存在非轴对齐，具有任意方向，且周围环境复杂：任意定向和密集分布。

相关模块：

RepPoints:具体来说，初始自适应点由中心店生成，然后进一步细化，以适应空中物体。

定向转换函数：为了获得定向边界框，根据所学点的布局提出了三种定向转换函数。

APAA方案：有效的自适应点评估和分配方案。该方案不仅从分类、定位还从训练过程中的方向和点特征相关性来衡量定向重定向点的质量。这种方案可以从相邻物体或背景噪音中捕捉到非轴对齐的特征，进而分配出具有代表性的定向重定向点样本。

空间约束：帮助易损点从航空场景的复杂环境中找到其实例的所有者。

相关工作：

面向对象检测：最新的航空物体检测方法主要是从景点物体检测起中引入方位回归而衍生出来的。

1.SCRDet、CAD-Net、DRN、R3Det、ReDet、和Oriented RCNN通过预测边界框的旋转角度。

2.Gliding Vertex和RSDet通过对四边形进行回归改进了检测结果。

3.Angle-based方位估计中的边界不连续问题：指当物体或信号源的方向接近于某个特定边界角度时，估计结果会出现突变或不稳定的现象。主要是由于角度的周期性导致的。如当物体旋转接近360度时，再微小的旋转就可能导致检测到的方向回到0度，产生不连续的跳跃。主要解决方法：通过损失函数的平滑处理，第二种提出新的标度表示和校正模块。

4.将旋转边界框的参数化转换为二维高斯分布，从而为定向物体检测获得了更稳健的结果。

非轴对齐特征学习：

非轴对齐目标是指在图像或三维空间中，其方向并不是严格沿着坐标轴（如垂直后水平）对齐的物体。

1.在轴对齐的Rols上采用空间变换，并在定向边界框的监督下学习非轴对齐的标识。

2.SCRDet++增强了非轴对齐特征。

3.Align deep features for oriented object detection设计了一个特征对齐模块，以减轻轴对齐卷积特征与任意方向物体之间的错位。

4.DRN提出了特征选择模块，以汇总来自不同内核尺寸、形状和方向的非轴对齐信息，并采用动态滤波器生成器来进行进一步的回归。

物体检测的样本分配：

物体检测中的样本分配方法是指在训练目标检测模型时，如何将训练图像中的候选区域分配给不同的类别以及政府样本的过程。

1.ATSS、FreeAnchor、PAA和OTA，采用了学习匹配优化策略来选择高质量样本。

2.Dynamic anchor learning for arbitrary-oriented object detection引入了一种匹配度量来评估基于定向锚点的空间配准，利用匹配敏感损失来增强分类与定向定位之间的相关性。