本论文提出了一种新的基于区域提案网络的方法来替换 Faster R-CNN 中的锚点机制，通过去除复杂的锚点设计，可以在大规模 COCO-Text 数据集上实现更高的召回率，并在 ICDAR-2017 MLT、ICDAR-2015 和 ICDAR-2013 文本检测基准测试中取得最先进的结果。

Apr, 2018

通过使用搜索策略自适应地将计算资源定向到可能包含目标的子区域，我们的方法与基于固定锚点的方法相比，在平均使用两个数量级更少的锚点的同时，在准确性上可与最先进的 Faster R-CNN 算法相媲美。

Dec, 2015

该论文提出了一种形状锚点引导学习策略（AncLearn）来实现强大的室内场景理解。通过在检测阶段为生成可靠的提案提供可靠的特征，并在重建过程中直接提供具有良好结构的几何先验来降低噪声和离群点，将 AncLearn 嵌入到一种纯实例导向的重建学习系统（AncRec）中，从而以纯粹的实例为导向，生成高质量的语义场景模型。在具有挑战性的 ScanNetv2 数据集上进行的实验证明，基于形状锚点的方法在 3D 目标检测、布局估计和形状重建方面始终达到最先进的性能。

Sep, 2023

我们提出了一种新颖的区域生成方法，用于执行面部检测，该方法使用基于池化的方法生成区域提案，通过提出一种有效的锚点放置策略来降低锚点数量，并演示了我们的网络生成的提案优于 RPN 用于生成面部检测的区域提案，这种方法还有迭代优化、浮点锚点设置和锚点更改等多个优点，该面部检测器在 WIDER 数据集上使用 ResNet-50 主干获得了 89.4% 的 mAP。

Dec, 2018

该论文提出了一种名为 Point-Set Anchors 的方法，旨在通过从更优越的位置对一组点进行回归，以提高目标检测、实例分割和人体姿势估计的性能，并且通过采样这些变换来生成额外的点集候选，以适应不同的缩放、纵横比和旋转。

Jul, 2020

本文提出了一种优化锚盒形状以提高目标检测精度的方法，通过动态学习锚盒形状来适应数据分布和网络学习能力，该方法对训练成本几乎没有额外开销，且能够在多个基准数据集上实现显著的改进。

Dec, 2018

本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。

Apr, 2019

本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

Dec, 2019

本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

Jul, 2020

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020