Towards Open World Object Detection (CVPR 2021 Oral) 提出了一个新的领域：开放世界目标检测(OWOD)，该任务具体来说如下： 1. 测试集图像中可能包含来自未知类别的目标，需要把这些目标分类为unknown 2. 当某些未知类别的目标变得已知后，模型可以逐渐学习到这些类别

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。

多元分析是多变量的统计分析方法，是数理统计中应用广泛的一个重要分支。

判别分析

判别分析是一种分类方法。假定有 类判别对象 ，每一类 由 个指标的 个样本确定，即 其中 矩阵的第 行是 的第 个样本点的观测值向量。

时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。

一个时间序列往往是以下几类变化形式的叠加。

• 长期趋势变动 ：朝一定方向的变化趋势；
• 季节变动 ；
• 循环变动 ：周期一年以上，由非季节因素引起的涨落起伏波形相似的波动；
• 不规则变动 。

常见的确定性时间序列模型有

• 加法模型 ​；
• 乘法模型 ​；
• 混合模型。

模糊数学就是用数学方法研究与处理模糊现象的数学。

现实的数学模型可以分为三大类：

• 确定性数学模型：模型背景具有确定性，对象之间具有必然关系；
• 随机性数学模型：模型背景具有随机性和偶然性。
• 模糊性模型：模型背景具有模糊性。

被讨论的对象全体称论域，用 等表示。

对于论域 的每个元素和某一子集 ，在经典数学中，要么 ，要么 。

在模糊数学中，称没有明确边界的集合为模糊集合，元素属于模糊集合的程度用隶属度表示，计算隶属度的函数称隶属函数。

论域 到 闭区间上的任意映射 都确定了 上的一个模糊集合， 称隶属函数，记 ，使得 的点称过渡点，最具模糊性。

各种物理性质的定常过程都可用椭圆型方程描述 当 时，即拉普拉斯方程 第一边值问题 其中 ​ 为以 为边界的有界区域， 为分段光滑曲线， 称定解区域， 分别为 上的已知连续函数。

设函数 ， 取非负整数，称改变量 为函数 的差分，也称函数 的一阶差分，记 。

一阶差分的差分称二阶差分 ，即

类似有三阶差分、四阶差分……，记 含有未知函数 ​ 的差分的方程称差分方程，差分方程中所含未知函数差分的最高阶数称差分方程的阶，如 阶差分方程形式为 或 若差分方程中所含未知函数和未知函数的各阶差分均为一次的，则称线性差分方程，形式为 对应齐次方程