Learning Modulated Loss for Rotated Object Detection
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Shanghai Jiao Tong University（上海交通大学）
常用的旋转检测方法通常使用五个参数（中心点坐标、宽度、高度和旋转角度）来描述旋转限界框，并使用l1-loss作为损失函数。在本文中，我们认为，上述集成可能会导致训练不稳定和性能退化，由于损失的不连续性所造成的固有周期性的角度和相关的突然交换的宽度和高度。考虑到具有不同测量单位的五个参数之间的回归不一致性，该问题进一步突出。我们将上述问题称为旋转灵敏度误差（RSE），并提出调制旋转损耗来消除损耗不连续性。我们的新损失与八参数回归相结合，以进一步解决不一致的参数回归的问题。实验表明，我们的方法的最先进的性能在公共航空影像基准DOTA和UCAS-AOD。其泛化能力也在ICDAR 2015，HRSC 2016和FDDB上得到了验证。在图1中可以看到质的改进，源代码将随论文的发表而发布。
2019-12-20 cs.CV
Enhancing Rotated Object Detection via Anisotropic Gaussian Bounding Box and Bhattacharyya Distance
Faculty of Computer Science（计算机科学学院）；Optoelectronics Center（光电中心）
本文提出结合各向异性高斯边界框与 Bhattacharyya 距离的旋转不变损失，并集成到先进旋转检测器中，显著提升 mAP。
2025-10-18 cs.CV
PP-YOLOE-R: An Efficient Anchor-Free Rotated Object Detector
Baidu Inc.（百度公司）
面向目标的目标检测是包含航拍图像和场景文本的视觉场景中的一项基本任务。在这份报告中，我们提出了PP-YOLOE-R，一个有效的锚无旋转对象检测器的基础上PP-YOLOE。我们在PP-YOLOE-R中引入了一系列有用的技巧，以提高检测精度，同时增加少量额外参数和计算成本。因此，PP-YOLOE-R-l和PP-YOLOE-R-x在DOTA 1.0数据集上的单尺度训练和测试分别达到78.14和78.28 mAP，优于几乎所有其他旋转对象检测器。通过多尺度训练和测试，PP-YOLOE-R-l和PP-YOLOE-R-x进一步将检测精度提高到80.02和80.73 mAP。在这种情况下，PP-YOLOE-R-x超越了所有无锚方法，并展示了与最先进的基于锚的两阶段模型相竞争的性能。此外，PP-YOLOE-R是部署友好的，PP-YOLOE-R-s/m/l/x可以在RTX 2080 Ti上分别达到69.8/55.1/48.3/37.1 FPS。源代码和预训练模型可在https://github.com/PaddlePaddle/Paddle Detection上获得，该网站由https：//github.com/PaddlePaddle/Paddle提供支持。
2022-11-04 cs.CV
SCRDet: Towards More Robust Detection for Small, Cluttered and Rotated Objects
Institute of Electronics, Chinese Academy of Sciences（中国科学院电子学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）
目标检测一直是计算机视觉中的一个组成部分。虽然已经取得了相当大的进展，但对于小尺寸，任意方向和密集分布的物体仍然存在挑战。除了自然图像，这些问题对于非常重要的航空图像尤其明显。本文提出了一种新的多类别旋转检测器的小，杂波和旋转的目标，即SCRDet。具体而言，设计了一种采样融合网络，将多层特征与有效的锚采样相融合，以提高对小目标的敏感性。同时，将监督像素注意力网络和通道注意力网络相结合，通过抑制噪声和突出目标特征，实现了小目标和杂波目标检测。为了更准确地进行旋转估计，将IoU常数因子添加到平滑L1损失中，以解决旋转限界框的边界问题。在两个遥感公共数据集DOTA、NWPU VHR-10以及自然图像数据集COCO、VOC 2007和场景文本数据ICDAR 2015上进行的大量实验显示了我们检测器的最新性能。代码和模型将在https://github.com/DetectionTeamUCAS上提供。
2019-08-10 cs.CV
LOGOS: Language-guided Oriented Object Detection in Aerial Scenes
University of Science, VNU-HCM, Vietnam（越南国家大学科学大学）；Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学）
针对航空场景目标检测难题，提出基于Transformer的LOGOS方法，利用文本提示引导检测，通过提示调制内容查询动态调整焦点，经DOTA数据集实验验证，该方法优于现有技术，提升了遥感应用中定向目标检测的性能。
2026-07-10 cs.CV
MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images
航空图像中的目标通常具有任意方向，并且密集地位于地面上，这使得它们非常难以检测。许多最近开发的方法试图通过估计额外的方向参数和放置密集的锚来解决这些问题，这将导致高模型复杂性和计算成本。在本文中，我们提出了一个任意面向区域的建议网络（AO-RPN），以产生定向的建议，从水平锚转换。AO-RPN是非常有效的，只有少量的参数增加比原来的RPN。此外，为了获得准确的边界框，我们将检测任务解耦为多个子任务，并提出了一个多头网络来完成它们。每个头部都是专门设计来学习最适合相应任务的特征，这使得我们的网络能够准确地检测物体。为了方便起见，我们将其命名为MRDet，即多头旋转物体探测器的缩写。我们在两个具有挑战性的基准上测试所提出的MRDet，即，DOTA和HRSC 2016，并将其与几种最先进的方法进行比较。我们的方法取得了非常有前途的结果，清楚地证明了其有效性。
2021-09-20 cs.CV
Few-Shot Rotation-Invariant Aerial Image Semantic Segmentation
Shanghai Jiao Tong University（上海交通大学）；Eastern Institute for Advanced Study（东方高等研究院）
针对少样本航空图像分割中目标方向变化导致匹配失效的问题，提出FRINet网络，通过旋转自适应匹配和同标签监督，在基准上取得最先进性能。
2023-05-29 cs.CV eess.IV
Efficient Oriented Object Detection with Enhanced Small Object Recognition in Aerial Images
School of Artificial Intelligence Beijing Normal University Beijing, China
针对航空图像中旋转目标检测的效率和精度平衡问题，提出基于YOLOv8的轻量级模型，通过小波C2f、ASFP和GhostDynamicConv模块，以21.6M参数在DOTAv1.0上达到与DecoupleNet相当的精度。
2024-12-17 cs.CV
EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios using Aerial Imagery
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Munich（慕尼黑工业大学）
基于方位估计的多类别机载图像车辆检测是近距离和远距离视觉领域的一项重要任务，在交通监控和灾害管理中有着广泛的应用。在过去的十年中，我们已经目睹了地面图像中的目标检测的重大进展，但它仍然处于起步阶段，在机载图像，主要是由于缺乏多样性和大规模的数据集。尽管是一个有用的工具，为不同的应用程序，目前的机载数据集只部分反映了现实世界的情况下的挑战。为了解决这个问题，我们介绍了EAGLE（oriEnted车辆检测使用航空imaGery在现实世界scEnarios），一个大规模的数据集，多类车辆检测与对象的方向信息在航空图像。它具有高分辨率的航空图像组成的不同的现实世界的情况下，各种各样的相机传感器，分辨率，飞行高度，天气，照明，阴霾，阴影，时间，城市，国家，闭塞，和相机的角度。注释是由机载图像专家与小型和大型车辆类。EAGLE包含215，986个实例，这些实例使用由四个点和方向定义的定向边界框进行注释，使其成为迄今为止该任务中最大的数据集。它还支持雾和阴影去除以及超分辨率和绘画应用的研究。我们定义了三个任务：检测（1）水平边界框，（2）旋转边界框，（3）定向边界框。我们进行了几个实验，以评估我们的数据集上的目标检测中的几种最先进的方法，以形成基线。实验表明，EAGLE数据集准确地反映了现实世界的情况和相应的具有挑战性的应用。
2020-11-23 cs.CV
Oriented Object Detection in Aerial Images Based on Area Ratio of Parallelogram
Zhejiang University of Technology（浙江工业大学）
由于空间图像中的对象以任意方向显示并且经常密集地堆积，因此空间图像中的定向目标检测是一项具有挑战性的任务。主流的检测器使用五参数或八参数表示来描述旋转对象，这使得定向对象定义存在表示模糊性。本文提出了一种新的表示方法，称为ARP的面积比的基础上的业务。具体来说，ARP回归的最小边界矩形的定向对象和三个面积比。三个面积比包括有向物体与最小外接矩形的面积比和两个平行四边形与最小外接矩形的面积比。它简化了偏移学习，消除了定向对象的角度周期性或标签点序列问题。为了进一步解决近水平物体的混淆问题，采用物体与其最小外接矩形之间的面积比来指导每个物体的水平或定向检测的选择。此外，旋转的有效的交集超过并集（R-EIoU）损失与水平限界框和三个面积比的设计，以优化限界框回归旋转对象。在遥感数据集（包括HRSC 2016，DOTA和UCAS-AOD）上的实验结果表明，我们的方法比许多最先进的方法具有更好的检测性能。
2021-11-08 cs.AI cs.CV
Polygonizing Roof Segments from High-Resolution Aerial Images Using Yolov8-Based Edge Detection
Technical University of Darmstadt（达姆施塔特工业大学）；Fraunhofer IOSB Ettlingen（弗劳恩霍夫应用研究促进协会IOSB埃特林根分部）
本研究提出以YOLOv8 OBB边缘检测为核心、结合几何关系定义角点与面的屋顶矢量化方法，在SGA和Melville数据集上栅格与矢量层面均显著优于SAM等现有方法，能鲁棒处理复杂屋顶结构并支持城市地形重建。
2025-03-12 cs.CV
SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing
Shanghai Jiao Tong University（上海交通大学）；Anhui University（安徽大学）；COWAROBOT Co., Ltd.（科沃斯机器人股份有限公司）
小而杂乱的物体在现实世界中很常见，这对检测来说是一个挑战。当对象旋转时，困难进一步突出，因为传统检测器通常例行地将对象定位在水平限界框中，使得感兴趣区域被背景或附近交错的对象污染。本文首先创新性地将去噪的思想引入到目标检测中。在特征图上进行实例级去噪，以增强对小而杂乱的对象的检测。为了处理旋转变化，我们还将一个新的IoU常数因子添加到平滑L1损失中，以解决长期存在的边界问题，根据我们的分析，这主要是由角的周期性（PoA）和边缘的交换（EoE）引起的。通过结合这两个特征，我们提出的检测器被称为SCRDet++。在大型航空影像公共数据集DOTA、DIOR、UCAS-AOD以及自然影像数据集COCO、场景文本数据集ICDAR 2015、小型交通灯数据集BSTLD和本文发布的S $^2$上进行了大量实验。实验结果表明了该方法的有效性。已发布的数据集S200已公开发布，其中包含5个类别的5，786张图像和14，130个交通灯实例。
2022-04-28 cs.CV cs.LG eess.IV
D2Q-DETR: Decoupling and Dynamic Queries for Oriented Object Detection with Transformers
Alibaba Group（阿里巴巴集团）；Damo Academy（达摩院）
尽管有有希望的结果，但现有的定向目标检测方法通常涉及抽象地设计的规则，例如，RRoI生成，旋转NMS。在本文中，我们提出了一个面向目标检测的端到端框架，它简化了模型流水线，并获得了优越的性能。我们的框架是基于DETR的，用点预测头代替了盒回归头。点的学习更加灵活，点的分布可以反映目标旋转框的角度和大小。我们进一步提出将查询特征解耦为分类和回归特征，这显著提高了模型的精度。航拍图像通常包含数千个实例。为了更好地平衡模型精度和效率，我们提出了一种新的动态查询设计，它减少了堆叠解码器层中的对象查询的数量，而不牺牲模型性能。最后，我们重新思考现有的DETR类检测器的标签分配策略，并提出了一个有效的标签重新分配策略，以提高性能。我们将我们的方法命名为D2 Q-DETR。在最大的DOTA-v1.0和DOTA-v1.5数据集上的实验表明，D2 Q-DETR的性能优于现有的基于NMS和无NMS的目标检测方法，达到了新的水平。
2023-03-01 cs.CV
Deep Learning-Based Object Detection in Maritime Unmanned Aerial Vehicle Imagery: Review and Experimental Comparisons
Wuhan University of Technology（武汉理工大学）；Chongqing Research Institute, Wuhan University of Technology（武汉理工大学重庆研究院）；Nanyang Technological University（南洋理工大学）
本文综述水上无人机目标检测的挑战、方法与数据集，提出MS2ship数据集，并通过实验评估方法性能，展望未来方向。
2023-11-15 cs.AI cs.CV
Rotation Invariant Aerial Image Retrieval with Group Convolutional Metric Learning
Korea University（高丽大学）
遥感图像检索（RSIR）是根据与查询图像的相似程度对数据库图像进行排序的过程。由于RSIR的复杂性增加，由于在拍摄范围，角度和遥感器的位置的多样性，有一个越来越多的方法来解决这些问题，提高检索性能的需求。在这项工作中，我们介绍了一种新的方法，检索航空图像合并组卷积与注意力机制和度量学习，导致旋转变化的鲁棒性。为了细化和强调重要特征，我们在每个组卷积阶段应用了通道注意力。通过利用群卷积和通道注意的特性，可以确认旋转但位置相同的图像之间的平等性。训练过程有两个主要步骤：（i）用航空图像数据集（AID）训练网络进行分类，（ii）用Google Earth韩国和NWPU-RESISC 45数据集对网络进行微调。实验结果表明，该方法在旋转环境和原始环境下的检索性能均优于其他最先进的检索方法。此外，我们利用类激活映射（CAM）可视化我们的方法和基线之间的主要特征的显着差异，从而在旋转环境中有更好的适应性。
2020-10-19 cs.CV
ABBSPO: Adaptive Bounding Box Scaling and Symmetric Prior based Orientation Prediction for Detecting Aerial Image Objects
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；Kyungpook National University (KNU)（庆北国立大学（KNU））
ABBSPO通过自适应边界框缩放和对称先验角度损失，提升弱监督定向对象检测的准确性和效率。
2025-12-10 cs.AI cs.CV
The KFIoU Loss for Rotated Object Detection
Shanghai Jiao Tong University（上海交通大学）；COWAROBOT Co. Ltd.（科沃斯机器人股份有限公司）；University of Chinese Academy of Sciences（中国科学院大学）；Huawei Cloud（华为云）
与发达的水平目标检测领域不同，基于损失的计算友好的IoU很容易被采用并且与检测度量很好地匹配。相比之下，旋转检测器通常涉及基于SkewIoU的更复杂的损失，这对基于梯度的训练不友好。本文提出了一种基于高斯建模和高斯乘积的近似SkewIoU损失估计方法。第一项是对比例不敏感的中心点丢失，用于快速缩小两个边界框的中心点之间的距离。在与距离无关的第二项中，采用高斯分布的乘积，以通过其定义固有地模拟SkewIoU的机制，并在一定距离内（即，在9个像素内）在趋势水平上显示其与SkewIoU损失的对齐。这与最近的基于高斯建模的旋转检测器形成对比，例如涉及人类指定的分布距离度量的GWD损失和KLD损失，其需要跨数据集和检测器变化的额外超参数调谐。由此产生的称为KFIoU损失的新损失更容易实现，并且与精确的SkewIoU损失相比效果更好，这要归功于其完全可微性和处理非重叠情况的能力。我们进一步扩展我们的技术，3-D的情况下，也遭受同样的问题，2-D。在各种公共数据集（2-D/3-D，航空/文本/人脸图像）与不同的基础检测器上的广泛结果表明，我们的方法的有效性。
2023-02-06 cs.AI cs.CV cs.LG
ARS-DETR: Aspect Ratio-Sensitive Detection Transformer for Aerial Oriented Object Detection
School of Electronics and Information Engineering, Harbin Institute of Technology（哈尔滨工业大学电子与信息工程学院）；OpenGVLab, Shanghai AI Laboratory（上海人工智能实验室OpenGVLab）
针对 AP$_{50}$ 对角度偏差容差过大的问题，本文提出 ARS-DETR，通过 AR-CSL、旋转可变形注意力和长宽比动态角度损失提升航空定向目标的高精度检测性能。
2024-04-07 cs.AI cs.CV
H2RBox: Horizontal Box Annotation is All You Need for Oriented Object Detection
Shanghai Jiao Tong University（上海交通大学）；COWAROBOT Co. Ltd.（科沃机器人有限公司）；Zhejiang University（浙江大学）；Shanghai AI Laboratory（上海人工智能实验室）
定向目标检测出现在从航空图像到自动驾驶的许多应用中，而许多现有的检测基准仅使用水平限界框进行标注，这也比细粒度旋转框更不协调，导致现成的训练语料库与不断增长的定向目标检测需求之间存在差距。本文提出了一种简单而有效的定向目标检测方法，称为H2RBox，仅使用水平框标注进行弱监督训练，该方法弥补了上述差距，即使与使用旋转框训练的方法相比也具有竞争力。我们的方法的核心是弱监督学习和自监督学习，它通过学习两个不同视图的一致性来预测对象的角度。据我们所知，H2RBox是第一个基于水平框注释的面向对象检测器。与另一种方法相比，即水平框监督的实例分割与我们的后适应定向目标检测，我们的方法是不容易受到掩模的预测质量，可以在复杂的场景中执行更强大的包含大量的密集对象和离群值。实验结果表明，H2RBox在性能和速度上都优于水平框监督的实例分割方法，并且对内存的要求更低。与旋转框监督的面向对象检测器相比，我们的方法表现出非常接近的性能和速度。源代码可在基于PyTorch的\href{https://github.com/yangxue0827/h2rbox-mmrotate}{MMRotate}和基于Jittor的\href{https://github.com/yangxue0827/h2rbox-jittor}{JDet}上获得。
2023-02-17 cs.AI cs.CV
NBBOX: Noisy Bounding Box Improves Remote Sensing Object Detection
School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology (GIST)（光州科学技术院 电气与计算机科学学院）
本文提出 NBBOX 边界框噪声注入增强，通过缩放、旋转和平移扰动标注框，在 DOTA 与 DIOR-R 上高效提升遥感旋转目标检测性能。
2025-01-07 cs.AI cs.CV
TS4Net: Two-Stage Sample Selective Strategy for Rotating Object Detection
Beijing Institute of Technology（北京理工大学）
旋转目标检测在航空摄影、遥感影像、无人机等领域有着广泛的应用。目前，旋转目标检测数据集大多集中在遥感领域，这些图像通常是在高空场景下拍摄的。然而，在低海拔地区捕获的图像数据集也应该受到关注，例如基于无人机的数据集。为此，本文提出了一个基于低空无人机的数据集UAV-ROD，旨在推动旋转目标检测和无人机应用的研究与发展。UAV-ROD由1577幅图像和30，090个由定向边界框注释的汽车类别实例组成。特别地，UAV-ROD可以用于旋转目标检测、车辆定向识别和目标计数任务。与水平目标检测相比，旋转检测的回归阶段是一个棘手的问题。本文提出了一种旋转目标检测器TS4Net，它包含锚点细化模块（ARM）和两阶段样本选择策略（TS4）。ARM可以通过两个阶段的锚细化将预设的水平锚转换为高质量的旋转锚。TS4模块采用不同的约束样本选择策略来分配正负样本，适应不同阶段的回归任务。得益于ARM和TS4，TS4Net仅用一个预设的水平锚点就可以实现旋转目标检测的卓越性能。在UAV-ROD数据集和三个遥感数据集DOTA、HRSC2016和UCAS-AOD上的大量实验结果表明，该方法与大多数最先进的方法相比具有竞争力的性能。
2021-08-06 cs.CV
Metric-aligned Sample Selection and Critical Feature Sampling for Oriented Object Detection
National University of Defense Technology（国防科技大学）
本文针对旋转目标检测中分类与定位不一致问题，提出度量对齐选择策略、关键特征采样模块和尺度控制平滑L1损失，在多个旋转检测数据集上取得最先进精度。
2023-07-10 cs.CV
AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation
Xi’an Jiaotong University（西安交通大学）；Xidian University（西安电子科技大学）；Huawei Technologies Ltd（华为技术有限公司）；Chinese Academy of Sciences（中国科学院）
针对遥感目标检测数据稀缺问题，提出布局可控扩散生成模型AeroGen，支持水平与旋转框条件生成，并通过端到端增强框架提升数据多样性与质量，显著提升检测性能。
2025-02-24 cs.CV
Knowledge Distillation for Oriented Object Detection on Aerial Images
具有增加的参数数量的深度卷积神经网络在自然图像上的目标检测任务中实现了提高的精度，其中感兴趣的对象用水平边界框注释。在从鸟瞰角度捕获的航空图像上，这些对模型架构和更深卷积层的改进也可以提高定向目标检测任务的性能。然而，很难将这些最先进的目标检测器直接应用于具有有限计算资源的设备上，这需要通过模型压缩来实现轻量级模型。为了解决这个问题，我们提出了一个模型压缩方法旋转目标检测航空图像上的知识蒸馏，即KD-RNet。通过一个训练良好的面向教师的对象检测器，具有大量的参数，所获得的对象类别和位置信息都被转移到一个紧凑的学生网络在KD-RNet的协同训练策略。通过对预测概率分布的知识蒸馏实现类别信息的传递，并采用软回归损失处理位置信息传递中的位移。在大规模空中目标检测数据集（DOTA）上的实验结果表明，所提出的KD-RNet模型可以在减少参数数量的情况下实现更高的平均精度（mAP），同时，KD-RNet提高了提供高质量检测的性能，具有与地面实况标注更高的重叠度。
2022-06-20 cs.CV
Multi-clue Consistency Learning to Bridge Gaps Between General and Oriented Object in Semi-supervised Detection
Nanjing University of Science and Technology（南京理工大学）
针对半监督定向目标检测中的采样、分配与置信度不一致问题，提出 MCL 框架，通过高斯中心分配、尺度感知标签分配和一致置信度软标签实现 SOTA 性能。
2024-07-08 cs.CV
PointOBB: Learning Oriented Object Detection via Single Point Supervision
Wuhan University（武汉大学）；Shanghai AI Laboratory（上海人工智能实验室）；Southeast University（东南大学）；Harbin Institute of Technology（哈尔滨工业大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出PointOBB，首个基于单点监督的定向边界框生成方法，通过协同原始、缩放和旋转/翻转视图，结合尺度增强与角度获取模块，在DIOR-R和DOTA-v1.0数据集上显著优于基线方法。
2023-11-23 cs.AI cs.CV
Accelerated Rotation-Invariant Convolution for UAV Image Segmentation
Drone Systems Lab, School of Computing, Engineering, and Physical Sciences, University of the West of Scotland（无人机系统实验室，计算、工程与物理科学学院，西方苏格兰大学）；Centre for Robotics & Intelligent Systems, Department of Electronic & Computer Engineering, University of Limerick（机器人与智能系统中心，电子与计算机工程系，利默里克大学）
本文提出了一种GPU优化的旋转不变卷积框架，通过减少内存和计算开销提升无人机图像分割效率和准确性。
2025-12-15 cs.CV cs.RO
Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）；Anhui University（安徽大学）；Cowa Robot, Co Ltd（科沃机器人有限公司）
现有的检测方法通常使用参数化的限界框（BBox）来建模和检测（水平）对象，并且附加的旋转角度参数用于旋转对象。我们认为，这种机制在建立旋转检测的有效回归损失方面具有根本性的局限性，特别是对于具有高IoU（例如0.75）的高精度检测。相反，我们建议将旋转对象建模为高斯分布。一个直接的优点是，我们关于两个高斯之间的距离的新回归损失，例如Kullback-Leibler Divergence（KLD），可以很好地对齐实际检测性能度量，这在现有方法中没有很好地解决。此外，两个瓶颈，即边界不连续性和类正方形问题也消失了。我们还提出了一个有效的高斯度量为基础的标签分配策略，以进一步提高性能。有趣的是，通过分析基于高斯的KLD损失下BBox参数的梯度，我们表明这些参数是动态更新的，具有可解释的物理意义，这有助于解释我们的方法的有效性，特别是对于高精度检测。我们扩展我们的方法从2-D到3-D与量身定制的算法设计来处理的航向估计，并在12个公共数据集（2-D/3-D，航空/文字/人脸图像）与各种基础检测器的实验结果显示其优越性。
2022-09-22 cs.AI cs.CV cs.LG
Signal or Noise? Auditing Rotation-Induced Saliency Drift in Medical and Aerial Imaging
Ontario Tech University（安大略理工大学）
本文针对医学与航空影像中旋转诱导的显著性漂移问题，提出EquiGrad-CAM方法提升显著性图等变性，效果优于旋转增强训练，副产品PEUM可评估解释可复现性。
2026-09-03 cs.AI cs.CV
EVD4UAV: An Altitude-Sensitive Benchmark to Evade Vehicle Detection in UAV
Cleveland State University（克利夫兰州立大学）；OPPO US Research Center（OPPO美国研究中心）；Brookhaven National Laboratory（布鲁克海文国家实验室）
本文提出了EVD4UAV数据集，作为规避UAV车辆检测的高度敏感基准，包含6,284张图像和90,886个细粒度标注车辆，并通过实验验证现有对抗性补丁攻击方法无法实现鲁棒的高度不敏感攻击性能。
2024-07-22 cs.CV
RQR3D: Reparametrizing the regression targets for BEV-based 3D object detection
Amazon Lab 126（亚马逊126实验室）；Togg/Trutek AI Team（Togg/Trutek人工智能团队）
本文提出RQR3D方法，通过重新参数化回归目标将旋转目标检测转化为关键点回归任务，实现高效且准确的3D目标检测，适用于自动驾驶场景。
2026-04-08 cs.AI cs.CV cs.LG
