上下文选择在目标检测中的作用
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
提出了一种利用上下文改进小目标检测准确性的方法，该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性，并提出带有注意机制的物体检测方法，可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明，该方法在检测小目标方面的准确性比传统 SSD 更高，在 PASCAL VOC2007 测试集上实现了 78.1％的 mAP。
Dec, 2019
本论文系统地评估了三类深度物体检测器（无上下文、部分上下文和完整上下文），并在 MS COCO 上研究了物体检测的上下文效果，结果表明单阶段和双阶段的物体检测器都能够利用上下文，因此选择最佳物体检测器可能取决于应用场景。
May, 2022
本研究探索语言上下文对目标检测的影响，并提出了一种增强上下文作用的方法，特别是属性等语境，以提高区域 - 词对齐性能。该方法在区域 - 词预训练方面超越了最先进技术，并通过文本 - 区域检索和短语命名分析展示了属性敏感模型的细粒度实用性。
Mar, 2023
通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％
Mar, 2016
该论文提出了一个生物学上启发的上下文感知对象识别模型，该模型由双流体系结构组成，动态地整合对象和上下文信息，并顺序推理目标对象的类标签，该模型不需要为每个任务重新训练，在各种行为任务中近似人类水平性能，捕捉上下文增强对图像属性的依赖性，并提供了整合场景和对象信息进行视觉识别的初始步骤。
Nov, 2019
本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法，并在环境变化下对其进行了实验验证，结果表明此方法在光照和视角变化下性能优于其他两种方法。
Dec, 2015
本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。
Mar, 2014
该论文提出了一种基于激活搜索策略的窗口分类器方法，该方法利用上下文以及分类器的分数来引导搜索，该方法在 SUN2012 数据集上与 R-CNN 的结果相当，但仅评估了 9 倍的窗口。
Dec, 2014