本文介绍了一种名为 RetinaFace 的检测器，采用联合额外监督和自监督多任务学习，在各种尺度的人脸上实现了像素级别的人脸定位，并采用 5 个额外的面部标记，取得了显著的性能提升。

May, 2019

RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型，相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。

Mar, 2020

研究提出了单阶段目标检测的一致优化方法，通过利用训练过程中的改进型 anchors 匹配检测假设和推理质量，实现性能提升，在 COCO 数据集上，优化后的 RetinaNet 性能从 39.1 AP 提升到 40.1 AP。

Jan, 2019

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020

本论文提出一种简单的单级实例分割框架，即基于掩码编码的实例分割（MEInst），通过将二维掩码提炼成紧凑且固定维度的表征向量，使得实例分割任务能够被纳入单级边界框检测器中，从而实现了一种简单而高效的实例分割方法，取得了 36.4％的掩码 AP，在 MS-COCO 基准测试中取得了竞争性的性能。

Mar, 2020

我们提出了一个简单、灵活、通用的物体实例分割框架。此方法名为 Mask R-CNN，通过在现有的边界框识别分支上添加一个预测对象掩模的分支，同时高效地检测图像中的物体并生成每个实例的高质量分割掩模。该方法简单易用，可快速训练，并且在 COCO 挑战赛的三个跟踪任务中均取得最佳结果，在实例分割、边界框目标检测和人体关键点检测方面均表现优异，是一个强大的基线模型。

Mar, 2017

本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet，在不采用其他技巧的情况下，将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。

Jul, 2019

本文提出了一种新颖的 Retina U-Net 结构，以提高小型医学图像数据集中目标检测效率，该结构自然地将单级探测器与医学图像语义分割中广泛使用的 U-Net 架构相结合，并通过补充对象检测与语义分割形式的辅助任务来重新捕获监督信号，从而取得更好的检测效果。

Nov, 2018

本文提出了一种新的旨在优化实例分割方法的卷积神经网络，该网络称为 BlendMask。BlendMask 可以有效地将实例级信息与语义信息相结合，并能够学习每个实例的注意力图，并且具有较快的推理速度，其可以与最先进的一阶段检测框架轻松集成，同时在相同训练计划下优于 Mask R-CNN，并可以在单个 1080Ti GPU 卡上以 25 FPS 评估时实现 34.2％ mAP，其简单易用而且强大，可用于一系列实例化任务。

Jan, 2020

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