本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。
Jul, 2019
本文概述了基于深度学习的物体检测器的最新发展，提供了检测中使用的基准数据集和评估指标的简明概述，以及在识别任务中使用的一些主要骨干架构和现代轻量级分类模型，最后我们比较了这些架构在多个度量标准上的性能。
Apr, 2021
本文回顾了基于深度学习的目标检测框架，从深度学习和卷积神经网络教程开始，介绍了典型的通用和特定目标检测架构以及改进方法和技巧，并提供了实验数据分析，最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
本文综述了深度学习方法在目标检测领域的应用及其取得的进展，涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面，并指出了未来研究的方向。
Sep, 2018
本文全面回顾了过去 25 年中（从 1990 年到 2022 年），以技术演进为光点，涵盖了许多主题，包括历史上的里程碑检测器、检测数据集、指标、检测系统的基本构建块、加速技术和最新的最先进的检测方法，在计算机视觉领域中，物体检测是最基本和具有挑战性的问题之一，最近几年备受关注。
May, 2019
本文综合研究了计算机视觉中物体检测技术在无约束环境下的各种挑战、数据集和最新方法，并进行了方法的比较分析，强调了它们的优缺点，并提出了未来的研究方向，以进一步改善在无约束环境下的物体检测技术。
Apr, 2023
本文旨在概述深度学习算法在计算机视觉领域的应用，包括图像分类，目标识别，图像提取和语义分割等方面，同时讨论了构建和训练深度神经网络面临的未来范围和挑战。
Apr, 2018
本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。
Dec, 2014
本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。
本文综述了自 2015 年至 2021 年期间针对基于图像的三维物体检测问题的 200 多个研究，并提出了两个新的分类体系来组织现有的最先进的方法，并深入分析了它们的各个组成部分。同时，本文探讨了这个领域的挑战和未来方向。
Feb, 2022