Im Gegensatz zu generischen Objekten sind Luftziele oft nicht achsensymmetrisch und weisen beliebige Orientierungen in komplexen, störanfälligen Umgebungen auf. Im Gegensatz zu etablierten Ansätzen, die die Orientierung von Umrandungsboxen direkt regressieren, schlägt dieser Artikel einen effektiven, adaptiven Punktlernansatz für die Detektion von Luftzielen vor, der die Stärken der adaptiven Punktdarstellung nutzt, um die geometrischen Eigenschaften beliebig orientierter Instanzen präzise zu erfassen. Dazu werden drei orientierte Umwandlungsfunktionen vorgestellt, um Klassifikation und Lokalisierung mit genauer Orientierung zu ermöglichen. Darüber hinaus wird ein effektives Qualitätsbewertungs- und Beispielzuweisungsverfahren für das adaptive Punktlernen vorgeschlagen, das geeignete, orientierte Reppunkte-Beispiele während des Trainings auswählt und dabei auch nicht-achsenparallele Merkmale von benachbarten Objekten oder Hintergrundstörungen erfassen kann. Ein räumlicher Constraint wird eingeführt, um Ausreißerpunkte zu bestrafen und ein robusteres adaptives Lernen zu gewährleisten. Experimentelle Ergebnisse auf vier anspruchsvollen Luftbild-Datensätzen – DOTA, HRSC2016, UCAS-AOD und DIOR-R – belegen die Wirksamkeit des vorgeschlagenen Ansatzes. Der Quellcode ist verfügbar unter: https://github.com/LiWentomng/OrientedRepPoints.