**论文地址：**http://arxiv.org/abs/1903.09839
Introduction
1 本文提出Encoder-Decoder architecture即RFN，解决多位置的目标检测；
2 提出了两个模块，第一：RI解决特征映射的分类问题；RS解决特征映射的回归问题；
3 分为两个单元；编码单元：为旋转的特征映射指定权重；解码单元：提取RI和RS的特征
背景介绍
结构
原始特征：从从RoI池化产生的特征作为输入的RFN；
Global pooling：目的是产生权重；
Reshape：为每个角度指定特征映射；
具体部分看论文，论文中有公式，该部分只是简单介绍。
该图描述的是，原始的特征映射和旋转不敏感的特征映射；也就是从原始特征到Rotated 特征映射得到单个特征映射。
实验
1 参数 设定
该图表明的是，在实验过程需要设定的参数，然后执行实验、。
2 全局平均池化和Resuming操作的类型的实验
实验中，得到默认的设置 ，参数量增加不明显，显准确性要比之前的都好。
3 不同网络结构对比
从图中可以得出，在不同backbone中，实验的结果也是不同，可以得出，本文提出的结构放入到vgg和resnet101中，大部分结构都要比之前的结构好。
总结：
本文主要提出了RI和RS；RS的作用是使边界框更为准确。使得目标检测更加准确。使用RFN网络 使得对移动的目标检测准确性更高。