该论文探讨了物体识别中探测小物体的挑战，重点考察了尺度不变性、图像分辨率、语境推理等方面，并通过训练深度网络实现了在小脸检测方面的突破，在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。

Dec, 2016

TinyDet 是一个计算量极低的轻量级检测框架，采用高分辨率特征图、稀疏连接卷积、强化骨干网络等策略，解决小目标检测困难的问题，并在 COCO 基准测试中实现 30.3 AP 和 13.5 AP^s 的优异性能。

Apr, 2023

本研究总结了第一届微小目标检测挑战赛，聚焦于微小人物检测，介绍了前三种方法，并重新开放了提交排行榜，提供了 TinyPerson 数据集及其 72651 个目标注释。

Sep, 2020

该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法，实现了锚点无关和单阶段检测器的高精度，探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中，表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3％，在 partial set 上为 8.7％，在 bare set 上为 5.6％，获得了第二高的性能。

Feb, 2020

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

通过介绍 Wake Vision 数据集，我们针对 TinyML 视觉感知的人员检测任务，提供了一种大规模、多样化的数据集，并在测试数据的特定段上提供了五个详细的基准集，以评估模型在挑战性现实场景中的性能，从而使得使用 Wake Vision 进行训练相对于已建立的基准可以提高 2.41％的准确性。

May, 2024

本文提出了一种深度学习的交叉层语义对齐方法（CLSA），用于解决人物搜索中的多尺度匹配问题，并成功地减少了误差和计算量，该方法在两个大型人物搜索基准数据集（CUHK-SYSU 和 PRW）上性能卓越。

Jul, 2018

提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度，并通过通道来提取比例尺度。为了实现快速部署，将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合，利用了膨胀卷积。在 COCO test-dev 上，该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度，并且无需额外的 FLOPS 即可超越基线模型。

Sep, 2019

本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。

Apr, 2019

提出了一种自重建微小目标检测（SR-TOD）框架，通过引入自重建机制和差异图引导特征增强模块，改进了微小目标的检测性能，并在新的多实例抗无人机数据集（DroneSwarms dataset）上进行了有效性验证。

May, 2024