على عكس الكائنات العامة، غالبًا ما تكون الأهداف الجوية غير محاذاة بالنسبة للمحاور، وتتميز باتجاهات عشوائية ضمن بيئات مزدحمة. على عكس النهج الشائعة التي تقوم باستنتاج اتجاهات المربعات المحيطة (bounding boxes)، يقترح هذا البحث منهجية فعّالة للتعلم المتكيف على النقاط (adaptive points learning) للكشف عن الكائنات الجوية، وذلك باستغلال تمثيل النقاط المتكيفة، الذي يتمكن من التقاط المعلومات الهندسية الخاصة بالكائنات ذات الاتجاهات العشوائية. ولتحقيق ذلك، تم تقديم ثلاث دوال تحويل محاذاة (oriented conversion functions) لتسهيل التصنيف والتحديد بدقة في الاتجاه. بالإضافة إلى ذلك، نقترح خطة فعّالة لتقييم الجودة وتعيين العينات للتعلم المتكيف على النقاط، بهدف اختيار عينات ممثلة من النقاط المُحاذاة (oriented reppoints) أثناء التدريب، والتي تكون قادرة على التقاط الخصائص غير المحاذاة للمحاور من الكائنات المجاورة أو الضوضاء الخلفية. كما تم إدخال قيد فراغي (spatial constraint) لمعاقبة النقاط الشاذة (outlier points) وتعزيز التعلم المتكيف المقاوم. أظهرت النتائج التجريبية على أربع مجموعات بيانات صعبة للتصوير الجوي، تشمل DOTA وHRSC2016 وUCAS-AOD وDIOR-R، فعالية المنهجية المقترحة. يمكن الوصول إلى كود المصدر عبر: https://github.com/LiWentomng/OrientedRepPoints.