Contrairement aux objets génériques, les cibles aériennes sont souvent non alignées sur les axes et présentent des orientations arbitraires au sein d’un environnement encombré. À la différence des approches courantes qui consistent à prédire les orientations des boîtes englobantes par régression, ce papier propose une méthode efficace d’apprentissage adaptatif basée sur des points, exploitant la représentation par points adaptatifs, capable de capturer les informations géométriques des instances orientées de manière arbitraire. À cette fin, trois fonctions de conversion orientées sont introduites afin de faciliter la classification et la localisation avec une orientation précise. En outre, nous proposons un schéma efficace d’évaluation de qualité et d’affectation d’échantillons pour l’apprentissage par points adaptatifs, permettant de sélectionner les échantillons représentatifs de points orientés pendant l’entraînement, ce qui permet de capter les caractéristiques non alignées aux axes provenant d’objets voisins ou de bruits de fond. Une contrainte spatiale est introduite pour pénaliser les points aberrants, assurant ainsi un apprentissage adaptatif robuste. Les résultats expérimentaux sur quatre jeux de données aériennes exigeants — DOTA, HRSC2016, UCAS-AOD et DIOR-R — démontrent l’efficacité de l’approche proposée. Le code source est disponible à l’adresse suivante : https://github.com/LiWentomng/OrientedRepPoints.