通过提出一种新的单次检测框架BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在PASCAL VOC和MS COCO数据集上的性能，特别是在高质量检测方面。
Mar, 2018
本文提出一种新的few-shot目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过Attention-RPN，Multi-Relation Detector和Contrastive Training策略来抑制背景误检。作者还贡献了一个包含高品质注释的1000个物体类别的新数据集，是针对few-shot目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。
Aug, 2019
本研究中我们试图通过应对一次训练样例被限制为1的单独目标检测问题，丰富目标检测类别，并引入了匹配-FCOS网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。
May, 2020
本篇论文提出了一个新的目标检测算法，通过引入新的匹配成本-分类成本，解决了之前检测器中的一对多问题，并引入了得分差来探讨匹配成本的影响，最终证明了端到端的目标检测在拥挤场景下的优势。
Dec, 2020
本篇论文提出了 Few-Shot Video Object Detection (FSVOD) 方法，包括 FSVOD-500 数据集、Tube Proposal Network 和 Temporal Matching Network 两个网络，能显著提升视频物体识别的效果。
Apr, 2021
本文提出了一种通用的跨注意力变换器模块来解决一次性物体检测中难以准确利用语义相似度和泛化的问题，并通过在 COCO、VOC 和 FSOD 等数据集上的大量实验表明其有效性和效率。
利用 Sylph 的超网络结构，通过将目标分类与定位分离，我们在增量式 few-shot 目标检测中取得了很高的准确性，尤其是当有大量基础类别可用于元训练时，没有忘记先前学习到的类别。
Mar, 2022
提出了Few-shot RetinaNet (FSRN)算法，该算法解决了传统单级FSOD算法性能较弱的问题，主要是通过在损失函数中增加前景样本并使用广阔的感受野和增强转移技术来提高判别能力和可转移性，比两级FSOD算法快近两倍且性能更优。
Oct, 2022
我们提出了一个简单而高效的框架，通过利用视频帧中的时间一致性来解决计算上的瓶颈，从而实现了具有高效性的单阶段视频目标检测。
Feb, 2024
本文针对一次性物体识别和检测任务的挑战，提出了一种新颖的联合神经网络方法。该方法能够在训练过程中未见的类别中执行物体识别和检测，取得了在MiniImageNet数据集上61.41%的准确率和在COCO数据集上训练以Pascal VOC数据集测试的47.1% mAP。通过有效对比查询和目标输入的图像对，该方法在不依赖于之前类别训练的情况下，识别相同查询类别的模式。
Aug, 2024