本文针对卷积神经网络在物体识别方面的表现进行研究，探讨了无监督预训练在近期发展中是否仍具有重要的作用，并通过实验证实了无监督预训练对于样本中无监督数量比例较高时的效益，而当比例较低时不如数据增强、抑制过拟合等技术，此外文中还提到了色彩增强等方式更接近于先前最先进方法的表现。
Dec, 2014
本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以101层残差网络(ResNet)在PASCAL VOC数据集上取得83.6%mAP的竞争性结果，测试时间为每张图像170ms，比Faster R-CNN快2.5-20倍。
May, 2016
本文研究了单阶段物体检测器比两阶段物体检测器速度更快，但精度更低的原因，并提出了一种名为Focal Loss的做法，以解决稠密检测器训练中遇到的前景背景类别不平衡问题，该方法能够提高准确性。在该方法的基础上设计了一种名为RetinaNet的密集型检测器，取得了超过现有首屈一指的两阶段检测器的精度。
Aug, 2017
本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在COCO数据集上进行了评估。
Nov, 2017
使用随机初始化的标准模型，在 COCO 数据集上进行的目标检测和实例分割，结果不劣于它们的 ImageNet 预训练模型，证明预训练模型并不一定能提高模型最终的准确性。
Nov, 2018
文章分析了卷积神经网络在物体检测任务上的预训练方法对小规模数据集的图像分类、语义分割和物体检测等任务的影响，并得出了四个关键结论。
Apr, 2019
该论文提出了一种基于知识蒸馏的对象检测模型微调方法，采用区域提议共享机制和自适应知识转移方法，根据模型的不同表现区分性能好坏，同时使用知识衰减策略帮助提高模型的泛化性能。实验结果表明，该方法在COOC数据集上取得了比基线模型更好的检测结果。
Jun, 2020
通过选择性搜索提出边界框，引入物体层次表征，结合FPN等所需模块的预训练神经网络，并配备物体检测属性，该文提出的选择性物体对比学习（SoCo）方法在物体检测领域取得了最先进的转移学习结果。
Jun, 2021
本研究提出一种新的知识蒸馏方法，即通过皮尔逊相关系数来模拟特征之间的相互关系，以放松特征大小的限制，从而有效地在目标检测中训练异构模型，并在COCO2017数据集上分别与RetinaNet和FCOS基线相比，分别获得4.1％和4.8％的mAP提高。
Jul, 2022
这篇文章针对目标检测中的前景-背景不平衡问题进行了广泛分析和实验研究，发现不平衡会导致检测性能显著下降，其中Libra-RCNN和PISA是最佳处理方法，而软采样方法则表现相对不稳定。
Jun, 2023