本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014

本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

Dec, 2014

本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化loss进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

Apr, 2015

本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管ResNets和Faster R-CNN系统是有效的，但NoCs的设计对于ImageNet和MS COCO 2015挑战赛的第一名入选至关重要。

Apr, 2015

本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在PASCAL VOC数据集上获得了比其他方法更高的检测精度。

May, 2015

本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型AlexNet。

Oct, 2015

本文回顾了基于深度学习的目标检测框架，从深度学习和卷积神经网络教程开始，介绍了典型的通用和特定目标检测架构以及改进方法和技巧，并提供了实验数据分析，最后提出了未来研究中的几个有前景的方向和任务。

Jul, 2018

本文综合调查了目前使用深度学习进行视觉对象检测的最新进展，特别关注了三个主要方面：检测组件、学习策略和应用与基准，并讨论了许多影响检测性能的因素。

Aug, 2019

本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

Aug, 2019

提出了一个新的显著目标检测（SOD）模型—SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

Nov, 2023