该论文提出了一种基于多任务旋转区域卷积神经网络的全新检测模型，通过密集特征金字塔网络、自适应兴趣区域对齐、旋转边界框回归、驶向预测和旋转非极大值抑制等五个连续部分解决了应用场景的复杂性、检测区域的冗余性和密集船只检测的困难等主要障碍。在旋转检测的基础上，通过预测可以找到船只的泊位和驶向，并通过 SRSS 进行了详细的评估，证明该检测方法具有竞争性的性能。

Jun, 2018

提出了一种新颖的位置精化特征金字塔网络（LR-FPN），以增强浅层位置信息的提取和细粒度上下文交互。通过实验验证，LR-FPN 在遥感目标检测方面优于现有的方法。

Apr, 2024

本研究提出了一种基于 Swin Transformer 和特征增强特征金字塔网络（FEFPN）的 SAR 船舶检测方法，使用 Swin Transformer 作为支撑来建模长距离依赖性并生成分层特征图。使用 FEFPN 逐步增强所有级别的特征图的语义信息，特别是浅层特征图，以进一步提高特征图的质量。在 SAR 船舶检测数据集（SSDD）上的实验表明了我们提出的方法的优越性。

Sep, 2022

提出了一种基于频域卷积和双边谱感知的特征金字塔网络的遥感目标检测方法，实验结果表明该方法在小目标检测方面表现突出。

Sep, 2022

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

本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

Dec, 2019

本篇研究提出一种新型的 RCNet 架构，由 Reverse Feature Pyramid (RevFP) 和 Cross-scale Shift Network (CSN) 组成，用于多尺度特征融合，在 MS COCO 测试集中证明 RCNet 能够显著提高 RetinaNet 等检测器的精度

Oct, 2021

本文提出了一种名为金字塔 R-CNN 的框架，用于从点云中进行两阶段三维物体检测。该框架通过金字塔感兴趣区域（RoI）网格、RoI 网格注意力和密度感知半径预测模块，自适应地从稀疏点中学习特征，以解决稀疏和不均衡情况下的检测问题，并在 KITTI 数据集和 Waymo Open 数据集上显著超过最先进的 3D 检测模型。

Sep, 2021

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018

本研究提出一种 fine-grained dynamic head 方法，结合 Feature Pyramid Network（FPN）和 spatial gate 的机制实现多尺度特征的表示，进一步提高了物体检测的效率和精确度。

Dec, 2020