近年、空中画像における物体検出はコンピュータビジョン分野で注目を集めている。自然画像における物体とは異なり、空中画像の物体は任意の方位に分布することが多いため、検出器は方位情報をより多くのパラメータで表現する必要がある。しかし、これらのパラメータはしばしば冗長であり、効率が悪い。さらに、従来のCNNは方位の変化を明示的にモデル化しないため、高精度な物体検出器を学習するには大量の回転増強データが必要となる。本論文では、これらの課題を解決するため、回転等変性（rotation-equivariance）および回転不変性（rotation-invariance）を明示的に表現する回転等変性検出器（Rotation-equivariant Detector, ReDet）を提案する。具体的には、回転等変性ネットワークを検出器に組み込み、回転等変性特徴を抽出することで、方位を高精度に予測可能となり、モデルサイズの大幅な削減を実現する。さらに、回転等変性特徴を基に、ROIの方位に応じて適応的に回転不変特徴を抽出する「回転不変RoIアライメント（Rotation-invariant RoI Align, RiRoI Align）」を提案する。複数の挑戦的な空中画像データセット（DOTA-v1.0、DOTA-v1.5、HRSC2016）における広範な実験結果から、本手法が空中物体検出のタスクにおいて最先端の性能を達成することが示された。従来の最良結果と比較して、DOTA-v1.0、DOTA-v1.5、HRSC2016においてそれぞれ1.2、3.5、2.6のmAP向上を達成しつつ、パラメータ数を60％削減（313 Mb → 121 Mb）した。コードは以下のURLで公開されている：\url{https://github.com/csuhan/ReDet}。