本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

Mar, 2019

本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

Nov, 2019

本文研究物体检测系统的速度和准确率损失函数，并通过改进模型架构、训练技术等方法，将模型的准确率提升了 7.7％，速度提升了 30％。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡，产生了两个 Pareto 曲线。最后，作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。

Jun, 2021

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

本文提出了一种名为 CBNet 的复合骨干网络，通过组合相邻骨干的复合连接来形成更强大的骨干，可以显著提高基于 CNN 的检测器的性能，并且可以轻松地整合到大多数最先进的检测器中并显著提高它们的性能。

Sep, 2019

提出了一种新的基于 ResNet-101 的双阶段目标检测器 Light-Head R-CNN，通过使用一个轻量级的特征图和一个便宜的 R-CNN 子网络来实现网络头部的最小化，而且在 COCO 上表现良好，在保持时间效率的同时也比单阶段的快速检测器像 YOLO 和 SSD 更准确。

Nov, 2017

本文提出了 SpineNet，这是一个具有尺度置换中间特征和跨尺度连接的主干网络，在神经架构搜索的目标检测任务中学习。它在各种尺度上使用类似的构建块进行建模，而使用的 FLOPs 较少。在各种检测器上，SpineNet-190 单模型获得了远高于之前检测器的 52.5% AP 结果，并且转移能力良好，在分类任务中表现出色，相较之前还获得了 5% 的上升。

Dec, 2019

本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题，调查了两阶段检测器在实时检测方面的有效性，并提出了一个名为 ThunderNet 的轻量级两阶段检测器，相对于单阶段检测器，仅使用了 40％的计算且取得了优越的性能，在 ARM 平台上实现了 24.1fps 的实时检测。

Mar, 2019

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

本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

Nov, 2017