DeepFashion2 是一个多任务的数据集和基准，旨在为四个任务提供衣服检测，姿势估计，分割和检索，“Match R-CNN” 是解决这四个任务的强有力基线。

Jan, 2019

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020

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

本文提出一种使用计算机视觉技术实现服装图像分割的方法，该方法基于经过训练的模型自动检测人体部位，并使用 Mask RCNN 算法对图像中的下装和上装进行检测和划分，取得了较好的效果。

May, 2023

本文提出了一种时装关键点检测技术，结合卷积神经网络算法并使用时装关键点数据集，在时尚属性预测和服装检索等应用中证明了其有效性和较强的区分度。

Aug, 2016

该研究提出了一种多用途的卷积神经网络方法，该方法能够在单次识别中实现物体检测和粗略姿态估计，可以作为高精度姿态估计、物体跟踪和定位以及 vSLAM 等任务的预处理步骤。

Sep, 2016

本技术报告介绍了 HIKVISION_LiDAR_Det 在 waymo 开放数据集的实时 3D 检测挑战中的方法。我们采用了 center attention head 和 feature pyramid network neck 等多种方法来将 CenterPoint 框架进行优化。同时，采用了 batchnorm merge、fp16 常量微调和 GPU 加速的体素化处理等方法来实现实时检测。通过这些方法，我们的团队在 waymo 开放数据集上实时 3D 检测挑战中排名第 6。

Jun, 2021

本文探讨了使用三种最先进的目标检测神经网络在实时应用中用于口罩检测的能力，并在只有 1531 张图片的三个单独的类别的数据集上，通过使用 YOLOv4-tiny 模型获得了 85.31% 和 50.66 的平均精度和秒数，分别是其他最近研究的最佳模型。

Apr, 2023

利用卷积神经网络进行图像检索是一个具有挑战性的问题，该研究提出了一个自学习的视觉注意模型以及一个 End-to-End 网络结构，通过嵌入 Impdrop 模块进一步优化，取得了优异的检索性能。

Oct, 2017

本文提出的 CenterNet 方法使用 keypoint triplet 创新的实现了无 anchor 的 bottom-up 目标检测，相比于传统 top-down 方法具有更高的召回率和竞争力，并在多个数据集上取得了最优的性能表现。

Apr, 2022