分析目标检测器的失败情况，探讨由分类而非定位引起的错误强阳性，提出 Decoupled Classification Refinement（DCR）网络来消除这些错误，将实验结果与 PASCAL VOC 和 COCO 数据集进行比较。

Oct, 2018

本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构，通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决数据稀少场景下的性能问题，在多个基准测试中都表现出优秀的性能表现，并成为少样本文献领域的新的最佳模型。

Aug, 2021

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

本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管 ResNets 和 Faster R-CNN 系统是有效的，但 NoCs 的设计对于 ImageNet 和 MS COCO 2015 挑战赛的第一名入选至关重要。

Apr, 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

提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

Nov, 2013

本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

Apr, 2018

本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

Sep, 2020

本研究基于特殊遮盖的 MS COCO 数据集，对目前最先进的 Faster R-CNN 和 YOLO 目标检测器的准确性进行评估和比较，以衡量它们的预测有多少依赖于编码在对象类别级别上的上下文信息。研究结果表明，当前检测器通常不会在类别级别上建立强的依赖关系，但是当它们这样做时，它们的方式往往相似，表明对象类别的上下文依赖性是一个独立的属性，这具有传递知识的相关性。

Sep, 2018

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