提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

Sep, 2018

本研究提出了一种名为 DSOD 的新型深度监督目标检测器，通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练，并在 PASCAL VOC 2007，2012 和 MS COCO 等数据集上完美取代了现有的模型。

Aug, 2017

本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

Feb, 2018

TinyDet 是一个计算量极低的轻量级检测框架，采用高分辨率特征图、稀疏连接卷积、强化骨干网络等策略，解决小目标检测困难的问题，并在 COCO 基准测试中实现 30.3 AP 和 13.5 AP^s 的优异性能。

Apr, 2023

远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

Jan, 2024

本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

Jan, 2019

提出了一种自重建微小目标检测（SR-TOD）框架，通过引入自重建机制和差异图引导特征增强模块，改进了微小目标的检测性能，并在新的多实例抗无人机数据集（DroneSwarms dataset）上进行了有效性验证。

May, 2024

我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

Aug, 2023

该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

Mar, 2017

TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。

May, 2023