CNN在传统目标检测领域有很大的发展，并在医学图像、自动驾驶等领域具有广泛的应用。但是在旋转目标检测领域，一些传统方法便不再适用了。例如，水平矩形框的IoU计算方式要迁移到旋转矩形框上显得极为复杂且不可导；或是角度的加入导致了回归的边界和顺序问题。

深度学习在传统目标检测领域取得了很大的进展，然而在旋转目标检测上，传统的目标检测方法却有许多困难。由于目标边界框方向不定，基于水平边界框的检测方法无法适用。一些检测方法引入角度参数，然而这将导致回归的边界和顺序问题，导致损失不连续、回归困难等问题。

卫星遥感图像是一类特殊的图像，与通用目标相比，遥感图像的目标具有尺度差异大、目标分布密集等特点。同时，由于遥感目标具有明确的方向性，针对遥感目标往往设计了特殊的边界框。与传统目标的边界框相比，遥感目标的边界框往往是倾斜的，且不一定是矩形而是普通的四边形。针对这一特殊领域，各种旋转目标检测方法应运而生。

本文对旋转目标和典型旋转目标检测方法进行介绍，对其特点进行分析，希望能找到一些发展方向。

小目标检测是目标检测的一大难点，由于像素信息小、样本不均衡、严重的遮挡和模糊等原因，小目标检测的性能一直很难被有效提升。近年来，顶会发布的针对小目标检测的论文并不多，大多数方法除了对小目标有效之外，其实对通用目标的性能提升也是有帮助的。

记录一下昨天半夜学的东西，以下代码均通过tensorflow2自带的keras实现。

大概几个月前，神经网络、人工智能等概念在我心里仍高不可攀，直到自己亲身上手之后，才发现搭建神经网络并不像自己想象的那么难。很幸运，我开始学习神经网络的时候Tensorflow2.0已经发布了。

Tensorflow2中内置了Keras库，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。用Tensorflow2中自带的Keras库，会使得搭建神经网络变得非常简单友好。