深度学习在目标检测中的最新进展
本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化loss进行物体定位，实验证明两种方法的结合优于先前的最先进方法。
Apr, 2015
本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管ResNets和Faster R-CNN系统是有效的，但NoCs的设计对于ImageNet和MS COCO 2015挑战赛的第一名入选至关重要。
Apr, 2015
本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在PASCAL VOC数据集上获得了比其他方法更高的检测精度。
May, 2015
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
本书探讨目标检测与语义分割的理论基础与实际应用，填补了传统方法与现代深度学习框架之间的空白。书中介绍了卷积神经网络、YOLO架构和基于变换器的方法等先进技术，强调了人工智能与大语言模型在复杂环境中的目标检测中的集成。通过对大数据分析的深入讨论，展示了数据处理、模型优化和性能评估的重要性。
Oct, 2024