Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection Introduction 作者指出anchor based（retinanet）和center based（FCOS）中有几个不同的地方： 从实验结果中可以总结出来，正是正负样本定义的差异，导致

Oriented Response Networks Introduction 本篇论文的贡献有以下几点： Oriented Response Networks 在卷积过程中旋转卷积核的方式来提取图片不同方向的特征，并且使用ARF后ORN需要的啊网络参数明显减少，并且支持明确的分层方向信息的编码 Active Rotating Filters 需要学习的只有标准的卷积核，其余卷积核的参数根据标准卷

ReDet: A Rotation-equivariant Detector for Aerial Object Detection Introduction contribution 论文里提到的方法如下图所示： 一共包含了两个部分：旋转同变性特征的提取和旋转不变性特征的提取 Preliminaries 同变性的等式可以列为： $$Φ=T_g^Y $$ 其中\\(

Align Deep Features for Oriented Object Detection Introduction 作者指出二阶段的检测模型在生成水平候选区域，往往会出现对应多个目标的情况出现，但是如果选择铺设任意方向的anchor的话，那么计算量耗费是十分惊人的。所以相较于二阶段的网络模型，本篇论文主要讨论单阶段模型的可行性。首先给出了单阶段的问题： 为了解决单阶段网络模型中的问题，提

Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence Introduction 本篇文章的四大亮点： Background Inductive Thinking of Loss Design: from Special Horizon to General