摘要
与通用目标不同，空中目标通常具有任意方向且不与坐标轴对齐，其周围环境复杂，存在大量杂波干扰。不同于主流方法通过回归边界框方向来处理这一问题，本文提出一种高效的自适应点学习方法，利用自适应点表示（adaptive points representation）来实现空中目标检测，该表示能够有效捕捉任意方向目标的几何特征。为此，本文设计了三种定向转换函数，以实现对目标类别和位置的精确分类与定位，同时确保方向信息的准确性。此外，为提升自适应点学习的性能，本文还提出一种有效的质量评估与样本分配策略，用于在训练过程中选取具有代表性的定向重采样点（oriented reppoints）样本，从而有效捕获相邻目标或背景噪声中的非轴对齐特征。为进一步增强模型鲁棒性，引入空间约束机制，对异常点进行惩罚，以实现更稳健的自适应学习。在四个具有挑战性的航空图像数据集（包括 DOTA、HRSC2016、UCAS-AOD 和 DIOR-R）上的实验结果表明，所提出方法具有显著的有效性。项目源代码已开源，地址为：https://github.com/LiWentomng/OrientedRepPoints。