本文提出了一种新的图像和视频物体和动作提议生成方法，该方法建立在预训练的卷积神经网络不同卷积层的激活基础之上，结合了早期层的定位精度和后期层的高信息性以及召回率。该方法有效的原因是：一，使用检测中提取的相同特征；二，使用积分图像聚合特征；三，使用逆级联粗到细的方法避免了对提议的密集评估。我们在实验中证明，该方法优于大多数前人的物体和动作提议方法，并在基于 CNN 的对象检测器中表现出最新的检测性能。

Jun, 2016

本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

Nov, 2016

使用卷积神经网络的数据驱动语义方法，提出一种提高目标建议排名的新框架 “DeepBox”，可以显著提高目标检测平均准确度，并在保持较高召回率的同时大幅降低计算时间。

May, 2015

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

本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

Jun, 2015

通过两种不同的学习模式来探究通过特征定位的方式学习到的特征，在医学和自然数据集上的分析表明了层级学习策略的优越性，本研究显示级联学习是一种有前景的区域预测方法，并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。

Nov, 2023

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

本文提出了一个名为 ProNet 的基于神经网络的结构，利用图像级注释来高效地实现物体的分类和定位，并在 PASCAL VOC 2012 以及 MS COCO 数据集上进行了实验，超出了之前最先进的技术。

Nov, 2015

本文提出了一种缩放输入和输出网络用于生成物体提议，使用不同分辨率的特征图在网络中检测各种大小的物体实例，设计缩放子网络来增加高级特征的分辨率，使用递归训练管道，匹配测试阶段的迭代回归，证明了该方法在各种评估度量中优于现有技术。

Feb, 2017

本研究提出一种基于全卷积神经网络的三级级联结构，采用多尺度全卷积网络生成得分图，使用可能区域而非建议直接连接下一级级联，通过使用得分图可以在公共数据集上获得强大的人脸检测性能。

Sep, 2016