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

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

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

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

本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

Apr, 2022

该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。

Mar, 2021

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

CSSD 是一种基于 SSD 的多尺度上下文感知单发多框物体检测器，通过添加上下文层在检测小物体时取得了较好的效果。

Jul, 2017