Обнаружение объектов - это ключевая и сложная задача в области компьютерного зрения. В последние годы обнаружение объектов достигло больших успехов в естественных изображениях, и исследования в области обнаружения объектов на воздушных изображениях имеют значительные успехи. В отличие от горизонтальных объектов в естественных изображениях, объекты на воздушных изображениях часто плотно распределены в любом направлении на фоне сложной и переменчивой среды. Для точного и эффективного определения направления объектов и их классификации была выдвинута задача обнаружения объектов, основанная на горизонтальном обнаружении. Несмотря на увеличивающийся интерес к обнаружению объектов вращения на основе глубокого обучения, особенно сверточных нейронных сетей, систематические исследования существующих сложностей отсутствуют. В данной статье основное внимание уделяется актуальному состоянию исследований по обнаружению объектов на воздушных изображениях и систематическому анализу существующих сложностей задачи обнаружения объектов вращения с целью продвижения соответствующих технологий обнаружения. Во-первых, проведено систематическое изучение общих структур обнаружения горизонтальных объектов, которые являются также основой конструкции обнаружения объектов вращения. Во-вторых, проведен основной анализ сложностей, с которыми сталкивается задача обнаружения объектов вращения, суммируются основные достижения в решении каждой сложности, а также их преимущества и ограничения; в-третьих, кратко представлены популярные наборы данных обнаружения объектов на воздушных изображениях, и проведена оценка и сопоставление ведущих обнаружителей вращения на общедоступных наборах данных обнаружения объектов, таких как DOTA, HRSC2016, DIOR-R, STAR. Помимо проверки значительных результатов текущих исследований, они также начинают раскрывать их ограничения в обработке экстремальных геометрических форм и сложных сцен. Наконец, на основе вышесказанного, дан обзор тенденций развития задачи обнаружения объектов вращения на воздушных изображениях и перспективы дальнейших исследований.

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