基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

Jan, 2018

本文提出了一种基于知识迁移的新型目标检测算法，基于训练一个单一的多类目标检测器，可以实现在语义层次结构中的所有源类上训练。该技术可以应用于多个数据集，并且在 ILSVRC 2013 检测数据集上已经成功实现了目标检测领域的业界新纪录。

Aug, 2017

本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

Aug, 2020

本文介绍了一种在边缘计算等资源受限情况下的细粒度图像目标检测方法，采用共识知识推理模块辅助轻量级粗粒度目标检测器获得准确的细粒度检测结果，并在多个现代深度学习检测器上进行实验验证。

Mar, 2023

本文提出了一种基于 DISCOS 算法的常识知识获取框架，能够将更昂贵的复杂常识知识自动转化为更可承担的语言知识资源，以此来获取大规模常识推理知识。此方法在 novelty 和 diversity 方面表现优越，拥有着与监督学习方法相当的质量。

Jan, 2021

本文提出了一种有效的知识转移框架，利用一个在类别上与目标领域不重叠的外部全注释源数据集，迭代地转移源域知识，通过一个单类通用探测器学习目标域的探测器，并从中挖掘每次迭代中目标域探测器挖掘的伪实例，有效提高了单类通用探测器，从而更全面地利用和利用源数据集的知识，该方法在弱监督目标检测领域内实现了先前未知的最佳效果。

Jul, 2020

我们展示了在复杂交通场景中将语义一致性的概念和知识感知的重新优化方法应用于目标检测问题。此外，我们介绍了一种从具有实例级注释的图像数据集中提取知识图谱的新方法，并将该知识图谱与现有的语义一致性模型集成。将这种新型混合知识图谱和频率分析和外部知识图谱作为语义信息的源与 Faster-RCNN 和 DETR 目标检测模型的现有方法结合，我们研究了知识感知的重新优化对所研究的模型和方法的效果。我们发现，在所有模型和方法的组合中，使用这种方法可以实现有限但一致的准确性和 / 或召回率的提升。

Aug, 2023

该研究论文提出了一种通过迁移学习从有标注的源数据集中获取知识并将其用于弱监督物体定位的方法，使用多实例学习框架将这些知识从像素级别传播到目标提案级别，并在三个目标数据集上进行了广泛的实验验证。

Mar, 2017

本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

Sep, 2018

本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

May, 2014