本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

Apr, 2015

本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

Jun, 2015

本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以101层残差网络(ResNet)在PASCAL VOC数据集上取得83.6%mAP的竞争性结果，测试时间为每张图像170ms，比Faster R-CNN快2.5-20倍。

May, 2016

本文旨在探讨如何在现代卷积物体检测系统中为给定应用程序和平台选择实现正确的速度/内存/精确度平衡的检测架构，我们提出了 Faster R-CNN、R-FCN 和 SSD 三种 meta-architectures 的统一实现，并通过其中的替代特征提取器和变化的其他关键参数（如图像大小）来跟踪速度/精度平衡曲线，在一端，我们提出了一种检测器，它实现了实时速度，并可部署在移动设备上，在另一端，我们提出了一种检测器，它在 COCO 检测任务中实现了最先进的性能.

Nov, 2016

本文提出了一种针对现有目标检测器分类失败问题设计的基于多任务学习的解决方案，其中使用一种Decoupled Classification Refinement（DCR）网络对分类错误进行有效的样本采样和重新分类。

Mar, 2018

本研究提出了一种新颖的边界框回归损失方法，该方法结合了学习边界框变换和定位方差。研究表明，该方法显著提高了各种框架的准确性。同时，学习到的定位方差允许我们在非极大值抑制期间合并相邻的边界框，进一步提高了定位性能，超越了先前的最先进的边界框精化方法。

Sep, 2018

本论文提出了一种名为TTFNet的训练时间友好型网络，可在保持具有状态-of-the-art性能的情况下，将训练时间缩短七倍以上，并且可以快速进行目标检测，方法是使用高斯核对训练样本进行编码，以实现在训练时间，推理速度和准确性之间的平衡。

Sep, 2019

本文介绍了一种基于FCOS检测模型的NMS-free端到端的目标检测框架，使用紧凑的PSS head实现单个目标实例的自动选择并消除后处理的NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对COCO数据集的优越性能。

Jan, 2021

本文提出了PSRR-MaxpoolNMS作为非极大值抑制算法在目标检测模型中的替代方案，在所有检测器的所有阶段完全替代了GreedyNMS，并通过引入简单的关系恢复模块和金字塔平移MaxpoolNMS模块，可精确地近似于GreedyNMS。

May, 2021

本研究首次从图论的角度系统分析了非极大值抑制(NMS)，揭示了其内在结构，解决了物体检测中效率优化的难题。提出的QSI-NMS和BOE-NMS两种优化方法显著提升了NMS的速度，并在保持较小mAP损失的同时，提供了卓越的处理性能，尤其QSI-NMS在测试中实现了6.2倍的加速。该研究还引入了NMS-Bench，为研究者提供了全面评估不同NMS方法的平台。

Sep, 2024