LSDA：大规模适应检测

Jul, 2014

LSDA: Large Scale Detection Through Adaptation

Judy Hoffman, Sergio Guadarrama, Eric Tzeng, Ronghang Hu, Jeff Donahue...

TL;DR本文提出了一种名为 LSDA 的算法，可以从分类图像数据中自动学习分类器以实现目标检测任务，使得即使没有边界框注释数据的成千上万个目标类别也有可能被检测出来，并在 ImageNet 数据集上进行了评估。

Abstract

A major challenge in scaling object detection is the difficulty of obtaining labeled images for large numbers of categories. Recently, deep convolutional neural networks (CNNs) have emerged as clear winners on object classification benchmarks, in part due to training with 1.2M+ labeled

object detection convolutional neural networks large scale detection bounding box annotations imagenet

发现论文，激发创造

目标检测无监督领域自适应：综述

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 2021

使用深度神经网络实现可扩展的物体检测

该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。

Dec, 2013

BigDetection：用于改善目标检测预训练的大规模基准测试

本文介绍了一个新型的大规模基准数据集 BigDetection，它通过整合多个现有数据集并提供更大样本数量、更统一的标注体系，可以用于改进物体检测算法的预训练效果，并已被证明是一个有效的检测方法评估标准。

Mar, 2022

深度检测神经网络的主动学习

该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

Nov, 2019

同时检测和分割

本研究提出了一种名为 Simultaneous Detection and Segmentation 的任务，使用卷积神经网络实现目标检测、区域分割及语义分割，与现有方法相比具有更高的准确性，并提供了诊断工具以指导未来工作。

Jul, 2014

自学摄影机：针对未标记视频流的目标检测器的自主适应

本文提出了一种适用于移动摄像头、自适应于不同数据源的无监督多任务自学习算法，通过结合性地学习实例级追踪器，由此获得调整后的类别级物体检测器。

Jun, 2014

从未标注的视频中进行大规模物体发现和探测器适应

本文提出基于视频序列的目标发现和检测器适应方法，通过三个大型自动驾驶和移动机器人场景的视频数据集的应用，证明了其鲁棒性和广泛性，并提出了一种基于外观聚类的无监督物体发现方法，成功地发现了与驾驶场景相关的有趣物体，同时通过自监督检测器适应，进一步提高了现有类别在 KITTI 数据集的检测性能，可用于自主驾驶的大规模目标学习。

Dec, 2017

深度域自适应目标检测：一份综述

本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

Feb, 2020

标签分配蒸馏提升物体检测能力

本文提出了 Label Assignment Distillation (LAD) 和 Co-learning LAD 用于目标检测中标签分配的问题，实验结果表明 LAD 更有效且可与 soft-label 相结合，以及使用较小的 Teacher 网络也能够显著提高表现。

Aug, 2021

基于目标导向领域增强的半监督领域适应用于 3D 物体检测

这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

Jun, 2024