该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

本论文介绍了一种新的双重传递想法来探索前向和后向方向中不同层之间的关系，提出了一种双重网络（TPNet），通过高低级特征之间的双向传输，可以同时丰富低级特征的语义信息和高级特征的详细信息，这对于准确检测不同尺度的物体非常有用。另外，由于单级检测器中难样本和易样本之间的分布不平衡，我们提出了自适应的 IoU 损失（RIoU）来矫正每种样本的梯度，可以提高模型的总体定位精度。

Aug, 2020

本文介绍了一种基于 DEQ 的隐式特征金字塔网络（i-FPN）用于物体检测，实验结果表明 i-FPN 可以显著提高检测性能。

Dec, 2020

本文提出了一种称为多级特征金字塔网络（MLFPN）的方法，通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象，并且将 MLFPN 集成到 SSD 中构建了名为 M2Det 的一阶段强大的端到端对象检测器，在 MS-COCO 基准测试中以单尺度推理策略实现了 AP 41.0，以多尺度推理策略实现了 AP 44.2，这是一阶段检测器中的新的最佳结果。

Nov, 2018

本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

Apr, 2015

本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

Dec, 2017

提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

Jun, 2019

本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

Apr, 2016

本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

Jul, 2022

提出了两种可行的策略来解决特征金字塔网络（FPN）在物体检测中对大尺度物体检测能力的抑制，即引入辅助目标函数来使每个骨干网络层直接接收不同尺度的物体的反向传播信号和更合理地构建特征金字塔，实验证明这两种策略有效率高，可以在各种检测框架中获得相当的改进

Jul, 2022