前言（所有检测模型）

四、R^2CNN（17年）

• 1.表示方法
• 2.亮点一：增加anchor
• 3.亮点二：增加多尺度的ROIPooling、斜框FC
• 4.亮点三：斜NMS
• 5.损失函数、实验结果

五、RRPN（18年，倾斜文本）

• 1.概述
• 2.网络结构
• 3.旋转边界框的表达（Rotated Bounding Box Representation）
• 4。旋转的锚点（Rotation Anchors）
• 5.兴趣区域的学习（Learning of Rotated Proposal）
• 6.区域提取网络的优化（Accurate Proposal Refinement）
• 7.RRoI Pooling Layer

六、DRBox(17年Detector using RBox)

• 1.框架
• 2 模型训练
• 3 实现的细节

七、R3det（19单阶）

• 1.表示方法、框架：
• 2.Rotation RetinaNet
• 3.Refined Rotation RetinaNet
• 4.Feature Refinment Module
• 5.实验

八、CAD-Net（19,69.9map）

• 1.整体组成
• 2.实验结果

九、 ROI-Transformer(CVPR19)

• 1.旋转anchor缺点
• 2.STN和可变形卷积
• 3.RoI transformer
• • 3.1RRoI Learner
  • 3.2 Rotated Position Sensitive RoI Align
• 4.实验结果

十、 RSDet(19.12,DOTA上mAP74.1)

十一、SCRDet(ICCV2019,75.35）

• 1.前身：R2CNN++
• 2.SCRDet:
• • 1. SF-Net
  • 2. MAD-Net
  • 3. IoU-Smooth L1 Loss
  • 4. 实验结果

十二.滑动顶点(Gliding vertex,2020CVPR,75.02)

• 1.网络结构
• 2.标签的生成
• 3.损失函数
• 4.测试与实验

十三.P-RSDet(CVPR2020,DOTA上mAP72.3)

• 1.framework
• 2.极值点提取（pole point extraction）
• 3.损失函数
• 4.实验结果
• 2.读入数据

总结