Learning Oriented Remote Sensing Object Detection via Naive Geometric Computing Introduction 作者把目前的遥感检测模型的回归方式分成了三类 但是这些方法其实都不是很鲁棒，作者的想法就是结合水平预测的区域与任意方向的请些区域预测的坐标关系使得函数更加鲁棒 本篇论文的贡献： Methodology 该框架以Ro

TOOD: Task-aligned One-stage Object Detection Introduction 这篇文章想要解决的问题为：得分最高和回归最好的物体可能并不是同一个位置所预测出来的 针对上述问题作者提出了TAHead与TAL 现在主流的检测器会有以下问题 作者接着分析造成上述两种问题的原因，其一是两个分支是分别预测的，并没有太多内在联系，其二是样本分配的策略只关注了几何特征而忽

TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios Introduction 作者总结了无人机拍摄的数据集的几个难点: 所以本次模型backbone选择的是CSPDarknet53，Neck使用的是PAFPN 本次的模型可以

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