本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器，即 AdaZoom，并采用可变放大倍率进行自适应多尺度检测，以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验，验证了 AdaZoom 在不同检测网络上显著提高了性能，并在这些数据集上取得了 state-of-the-art 的表现，尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。

Jun, 2021

本文探讨了一种基于时间空间计算的高效物体检测方法，通过在规模，时间和空间上重新配置计算来实现性能和计算成本的平衡，提出了一个统一的框架，在 ImageNet VID 数据集中实现了具有竞争力的 mAP 79.6％。

Apr, 2018

提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度，并通过通道来提取比例尺度。为了实现快速部署，将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合，利用了膨胀卷积。在 COCO test-dev 上，该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度，并且无需额外的 FLOPS 即可超越基线模型。

Sep, 2019

该研究提出了基于尺度感知的自动数据增强方法 Scale-aware AutoAug，旨在学习适用于目标检测的数据增强策略。经实验证明，该方法在保持尺度不变性方面较强的多尺度基准训练方法上具有显著和一致的改进，其搜索成本比先前的自动增强方法要低得多，并具有可传输性在目标检测之外的任务和其他数据集上适用。

Mar, 2021

研究了适用于自动驾驶场景的基于锚点的检测器的模型改进和推理时间优化，提出了模型缩放策略，以实现更好的速度 - 精度权衡曲线，并在 Waymo 开放数据集上获得了新的最新技术水平。

Aug, 2022

通过基于分割网络的特征估计方法，实现对图像文本的快速准确定位和检测，并在 ICDAR15 和 ICDAR17 MLT 基准测试中取得了很好的性能表现。

Jul, 2019

使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度，提出了一种网络缩放方法，其中 YOLOv4-large 模型在 Tesla V100 上以～16 FPS 的速度实现了 55.5% AP（73.4％AP50）的 MS COCO 数据集的最新结果，实现了 1774 FPS 的速度。通过使用 TensorRT，批量大小 = 4 和 FP16 精度，YOLOv4-tiny 实现了 22.0％AP（42.0％AP50）。

Nov, 2020

本文提出了一个可学习的基于几何的先验模型，改善图像重采样来提高实时物体探测性能，从而在自主导航和城市尺度传感方面得到了明显的改善。

Mar, 2023

本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

Nov, 2017

本文提出了一种名为 LSDA 的算法，可以从分类图像数据中自动学习分类器以实现目标检测任务，使得即使没有边界框注释数据的成千上万个目标类别也有可能被检测出来，并在 ImageNet 数据集上进行了评估。

Jul, 2014