اكتشاف الأهداف هو مهمة أساسية وصعبة في مجال الرؤية الحاسوبية. في السنوات الأخيرة، حقق اكتشاف الأهداف نجاحًا كبيرًا في الصور الطبيعية، وقد أحرزت الأبحاث في اكتشاف أهداف الصور الجوية تقدمًا ملحوظًا. بالمقابل للأهداف الأفقية في الصور الطبيعية، فإن الأهداف في صور الاستشعار عن بعد الجوية غالبًا ما تكون متوزعة بكثافة في جميع الاتجاهات في الخلفية المعقدة والمتغيرة. تم طرح مهمة اكتشاف الأهداف المتدوّرة باستناد إلى اكتشاف الأهداف الأفقية من أجل تحديد الأهداف بدقة وفعالية وتحديد فئتها. على الرغم من أن اكتشاف الأهداف المتدوّرة المستندة إلى التعلم العميق وخصوصاً الشبكات العصبية التصنيفية قد تلقت اهتمامًا متزايدًا، إلا أن الدراسات النظامية المتعلقة بالتحديات الحالية لها غياب. يُسلَّط هذا المقال الضوء بشكل أساسي على الوضع الحالي لأبحاث اكتشاف الأهداف في صور الاستشعار عن بعد الجوية، ويحلل بشكل نظامي التحديات الصعبة التي تواجه اكتشاف الأهداف المتدوّرة ويهدف إلى دفع تطوير تقنيات الكشف ذات الصلة. أولًا، يقُوم هذا المقال بنشر وتلخيص الهياكل العامة لاكتشاف الأهداف الأفقية، والتي تعتبر أيضا أساس إطار عمل اكتشاف الأهداف المتدوّرة. ثانيًا، يحلل بشكل أساسي المعضلات الصعبة التي تواجه مهمة اكتشاف الأهداف المتدوّرة، ويختم ستة ناجاحات رئيسية تم التوصل إليها للتصدي لكل تحدي، بالإضافة إلى مزاياها وقيودها. ثالثًا، يقوم بتقديم موجز عن مجموعات البيانات الشائعة لاكتشاف الأهداف في الصور الاستشعار عن بعد، ويقيم ويقارن الكاشفات المتدوّرة الرائدة الحالية على مجموعات البيانات العامة مثل DOTA، HRSC2016، DIOR-R، STAR. بالإضافة إلى التحقق من تقدم الأبحاث الحالية بشكل ملحوظ، كشفت بشكل أولي أيضًا القيود التي تواجهها في معالجة الأشكال الهندسية القطبية والمشاهد المعقدة. أخيرًا، وعلى أساس ما سبق، يُقدِّم هذا المقال توقعات بشأن اتجاهات تطوير مهمة اكتشاف الأهداف المتدوّرة في صور الاستشعار عن بعد الجوية واتجاهات البحث المستقبلية.

object detection;aerial remote sensing images;Oriented Object Detection;convolutional neural networks;oriented bounding box