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

本文提出了一种新的深度学习目标检测框架，引入了变形卷积神经网络、约束池化层等创新，通过组合不同的网络结构和组件、改变训练方法等方式，提高了模型的泛化能力和检测精度，实验结果表明该方法在 ILSVRC2014 比赛中的表现明显优于 RCNN 和 GoogleNet，能有效提升目标检测效果。

Dec, 2014

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

本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

Sep, 2014

本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法，应用于乳腺癌的检测。经过训练和测试，该方法在竞争环节中的 DREAMS 挑战中表现出色，取得了 0.879 的 ROC 曲线下面积，优于其他任何提交的结果。

Feb, 2019

本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

Nov, 2014

本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在 FDDB，PASCAL Face 和 AFW 数据集上出色的表现。

Sep, 2015

Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制，实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。

Aug, 2020

本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

Dec, 2020