核心发现
方法论
本文利用傅里叶变换分析目标的频谱特征，提出Fourier Angle Alignment（FAA）框架。FAA通过频域估计目标主要方向，并在特征融合（FAAFusion）和检测头（FAA Head）中实现角度预对齐，有效缓解尺度间和任务间的方向不一致问题。FAAFusion在特征金字塔网络（FPN）中，将低层频域估计的主方向应用于高层特征，确保尺度一致性；FAA Head则对RoI特征进行频域角度估计，预先对齐到规范角度，改善分类的旋转不变性和回归的旋转敏感性。
关键结果
- 在DOTA-v1.0数据集上，采用单尺度训练测试，本文方法实现78.72%的mAP，超越现有SOTA方法0.68%以上，验证了频域角度估计的有效性。
- 在DOTA-v1.5数据集上，达到72.28%的mAP，优于对比模型，特别在小目标和复杂场景中表现出色。
- 在HRSC2016数据集上，提升了目标角度预测的准确性，整体检测性能提升1.23%，验证了方法的普适性和鲁棒性。
研究意义
该研究突破了遥感目标检测中目标角度预测的瓶颈，利用频域分析实现目标方向的鲁棒估计，显著改善了多尺度、多角度目标的检测性能。其提出的FAA框架为未来旋转目标检测提供了新的理论基础和工程工具，有望推动无人机监测、海洋监测等领域的智能化发展。
技术贡献
本文提出的FAA框架在特征融合和检测头中引入频域角度预对齐机制，创新性地结合傅里叶变换与深度学习，解决尺度间和任务间的角度冲突问题。该方法兼容多种主干网络，显著提升检测精度，且理论基础严谨，具有良好的扩展性和实用性。
新颖性
首次将傅里叶频谱分析引入遥感目标检测中的角度估计，通过频域主方向提取实现尺度一致性和任务解耦，突破了传统空间域角度回归的局限，提供了全新的旋转不变性解决方案。
局限性
- 当前方法主要依赖频域估计目标主方向，对于极端遮挡或模糊目标的角度预测仍存在挑战。
- 频域分析计算成本较高，可能影响实时检测应用的效率。
- 在复杂背景或多目标重叠场景下，频谱信号可能受到干扰，影响角度估计的准确性。
未来方向
未来将结合多模态信息（如多光谱、激光雷达）增强频域角度估计的鲁棒性，探索端到端训练优化频谱特征的效率，同时扩展到多任务场景如目标跟踪和姿态估计，推动遥感智能检测的全面发展。
AI 总览摘要
遥感目标检测面临目标多样化和旋转角度变化的挑战，传统方法在尺度和角度一致性方面存在瓶颈。本文提出Fourier角度对齐（FAA）框架，利用频域分析目标主方向，通过频谱特征实现角度预估与对齐，有效缓解尺度间和任务间的角度冲突。在特征融合阶段，FAAFusion根据低层频域估计的主方向调整高层特征，确保尺度一致性；在检测头中，FAA Head对RoI特征进行频域角度估计，预先对齐到规范角度，增强分类的旋转不变性和回归的旋转敏感性。实验证明，在DOTA-v1.0、DOTA-v1.5和HRSC2016数据集上，本文方法均优于现有SOTA，特别是在单尺度训练测试条件下，分别取得78.72%和72.28%的mAP，验证了频域角度估计的有效性。该技术不仅提升了遥感目标检测的精度，也为未来多尺度、多角度目标识别提供了新的理论和工程基础。未来工作将聚焦于多模态融合和端到端优化，以实现更高效、更鲁棒的遥感智能检测。
深度解读
原文摘要
In remote sensing rotated object detection, mainstream methods suffer from two bottlenecks, directional incoherence at detector neck and task conflict at detecting head. Ulitising fourier rotation equivariance, we introduce Fourier Angle Alignment, which analyses angle information through frequency spectrum and aligns the main direction to a certain orientation. Then we propose two plug and play modules : FAAFusion and FAA Head. FAAFusion works at the detector neck, aligning the main direction of higher-level features to the lower-level features and then fusing them. FAA Head serves as a new detection head, which pre-aligns RoI features to a canonical angle and adds them to the original features before classification and regression. Experiments on DOTA-v1.0, DOTA-v1.5 and HRSC2016 show that our method can greatly improve previous work. Particularly, our method achieves new state-of-the-art results of 78.72% mAP on DOTA-v1.0 and 72.28% mAP on DOTA-v1.5 datasets with single scale training and testing, validating the efficacy of our approach in remote sensing object detection. The code is made publicly available at https://github.com/gcy0423/Fourier-Angle-Alignment .