摘要
航空影像中的目标通常嵌入于复杂背景中，且具有任意方向。在采用定向边界框（Oriented Bounding Box, OBB）表示任意方向目标时，角度的周期性可能导致标签回归值在边界处出现不连续，从而引发损失函数的剧烈波动。为解决这一问题，本文提出一种基于复平面的OBB表示方法，并设计了一种三角函数形式的损失函数。此外，结合航空影像中复杂背景环境的先验知识以及大尺度目标间显著差异的特点，构建了一种基于Conformer结构的区域提议网络（RPN）头，用于精确预测角度信息。所提出的损失函数与Conformer RPN头协同工作，生成高质量的定向候选区域。为进一步克服仅依赖交并比（IoU）进行候选框标签分配的局限性，本文提出一种基于预测类别反馈的类别感知动态标签分配策略，使负样本选择更具代表性，有效保障分类特征与回归特征之间的一致性。在四个真实场景的定向检测数据集上进行了实验验证，结果表明，该方法在仅需极少参数调优和计算开销的情况下，显著提升了定向目标检测性能。具体而言，在DOTA-v1.0、DOTA-v1.5、DIOR-R和HRSC2016数据集上，分别取得了82.02%、71.99%、69.87%和98.77%的平均精度均值（mAP）表现。