本文提出了一种名为 MS-FRCNN 的新方法，它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域，基于 Wider Face 数据库和 Face Detection 数据集与基准（FDDB）对比表明，该方法在各种情况下相对于其他最新的人脸检测方法，始终保持高度竞争力的最新表现。

Dec, 2016

本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

Apr, 2016

本文提出了一种用于活动检测的上下文多尺度区域卷积 3D 神经网络 (CMS-RC3D)，通过使用时间特征金字塔来表示不同时间尺度的活动实例，并在每个时间特征金字塔的级别上都学习了一个针对特定时间尺度的活动建议检测器和活动分类器，以进行更好的识别。 实验结果表明，CMS-RC3D 探测器在处理所有时间尺度范围内的活动时，仅需通过主干网络进行一次，而在 THUMOS14 数据集上比现有方法表现更好，并在 ActivityNet 数据集上实现了可比较的结果，尽管使用了浅层特征提取器。

Jan, 2018

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

本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

Aug, 2016

提出了一种基于 Faster R-CNN 的深度人脸检测方法，通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段，名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。

Jun, 2017

本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

Jul, 2016

本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法，通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法，实现了在 WIDER FACE 验证数据集（易于设置、中等设置、困难设置）三项任务中的两个第一名和一个第二名。

Feb, 2018

本报告提出了一种基于深度网络的区域检测人脸的新方法 ——Face R-FCN，使用全卷积神经网络做到更准确和更高效的人脸检测，我们采用了一些新技术，包括位置敏感平均池化，多尺度训练和测试以及在线困难样例挖掘策略，这种方法在 FDDB 和 WIDER FACE 等标准数据集上达到了 state-of-the-artlevel 的检测效果。

Sep, 2017

利用深度学习技术提高了 faster RCNN 的性能，实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。

Jan, 2017