本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

Jul, 2020

使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

Jun, 2020

该研究提出了一种名为 TSAA 的自适应两阶段锚点分配方法，能有效解决目标密集场景中锚点漂移问题，并实现对象回归。在 CrowdHuman 和 COCO 数据集上进行的实验结果表明，此方法能显著提高检测器的性能。

Nov, 2022

本文介绍了一种新的基于 anchor point 的 anchor-free 检测方法，提出了一种解决训练问题的简单而有效的训练策略，并开发了一种名为 Soft Anchor-Point Detector 的单阶段 anchor-free 检测器，超越了最近的最先进的 anchor-free 和 anchor-based 检测器。

Nov, 2019

本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

Dec, 2019

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020

本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制，更新手工制定的锚点分配为自由的锚点匹配，并通过最大似然估计（MLE）过程来实现检测器训练。该方法通过优化检测有效似然来实现，可以与基于 CNN 的检测器插入并组合使用，实验结果表明，FreeAnchor 在 COCO 数据集上表现优异。

Sep, 2019

通过使用分布式头和目标指示令牌，以及平衡负样本和正样本的训练过程，本研究介绍了一种更高效的训练策略来减轻过拟合并降低计算要求，同时在性能上优于现有方法。

Sep, 2023

本文介绍了一种 Unbiased Teacher v2 方法，针对半监督目标检测的主要问题，将 SS-OD 方法推广到 anchor-free 检测器，引入了 Listen2Student 机制，收集学生和教师的相对不确定性，避免学生被错误的伪标签指引。该方法在 VOC、COCO-standard 和 COCO-additional 三个数据集上的表现优于目前的最先进方法。

Jun, 2022

本论文提出了一种名为 TTFNet 的训练时间友好型网络，可在保持具有状态 - of-the-art 性能的情况下，将训练时间缩短七倍以上，并且可以快速进行目标检测，方法是使用高斯核对训练样本进行编码，以实现在训练时间，推理速度和准确性之间的平衡。

Sep, 2019