本研究提出了一种新的目标检测方法，通过使用 Residual-101 和 SSD 结合，再结合反卷积层来增加大规模语境，提高小目标检测的准确性，并通过在 PASCAL VOC 和 COCO 数据集上进行测试，取得了比当期最先进的方法还要优异的成果。

Jan, 2017

该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

Dec, 2015

本论文提出了一种针对小目标检测的实时多层次特征融合方法，与基线 SSD 相比，在保证检测速度的同时，在某些小目标类别上提高了 2-3 个点的检测精度，尤其是使用了合并和元素加和两种特征融合模块，其测试速度分别为 43 和 40 FPS。

Sep, 2017

本研究提出了一种针对小物体检测的多尺度解卷积单镜头探测器 (MDSSD) 架构，通过融合高级语义特征和低层的空间信息，提高了小物体检测的精度，并在多个数据集上取得了比同类算法更好的性能。

May, 2018

本文提出了一种增强了 SSD 的神经网络模型 FSSD，通过轻量级的特征融合模块，能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测，从而提高检测精度，同时保证了检测速度。实验表明，相较于传统的 SSD 等许多对象检测算法，FSSD 在准确度和速度两方面都有较明显的提升。

Dec, 2017

本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD)，通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD，提高了其对于局部和语义信息的分析能力，解决了特征抽取和非极大值抑制两个关键问题，进而在行为检测中取得了优异的表现。

Oct, 2022

该论文提出了一种新的深度神经网络用于目标检测，称为 ASSD；该网络在特征图的空间中建立特征关系，并通过全局关系信息学习突出特征图上的有用区域，抑制不相关信息；与有关 CNN 图层精细调整特征图的方法相比，ASSD 在设计上更为简单、计算上更为高效；实验结果表明，ASSD 与 SSD、DSSD、FSSD 和 RetinaNet 等现有方法相比具有竞争优势。

Sep, 2019

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

本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

Feb, 2018

本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器，采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计，其精度和速度都表现出很好的平衡，并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。

Feb, 2020