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

本文提出了一种可扩展的多数据集检测器 (ScaleDet)，使用语义标签相似性通过视觉 - 文字对齐训练来学习标签分配，从而在多个数据集上实现了强大的模型性能，超越了相同骨干网络的最新检测器。

Jun, 2023

本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

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

本文提出了一种利用相关滤波器进行目标尺度估计的跟踪方法，该方法可以有效地提高计算效率并在 OTB 和 VOT2014 数据集上优于 19 个和 37 个最先进的跟踪器。

Sep, 2016

Dynamic Tiling 是一种自适应和可扩展的模型无关的方法，可用于小物体检测，通过动态瓦片分割和最小化计算量来提高检测准确性，同时适用于各种操作环境，无需繁琐的重新校准，并通过大小过滤机制提高检测质量，实现了效率和准确性的新突破。

Sep, 2023

本次研究旨在解决目标检测中的比例变化问题，提出了 Trident Network，利用控制实验研究感受野对于比例变化的影响，构建并训练出一个多分支并行架构，每个枝干共享相同的转换参数但具有不同的感受野，通过采样适当比例的对象实例进行专业化训练，其在 COCO 数据集上取得了 48.4 mAP 的最优表现。

Jan, 2019

本文提出了一种适用于航拍图像中小目标检测的动态注意力尺度序列融合算法 (DASSF)，通过改进 YOLO 算法的能力以感知不同尺度的目标来提高密集重叠小目标和模糊目标的检测精度。实验结果表明，在 VisDrone-2019 和 DIOR 数据集上，将 DASSF 方法应用于 YOLOv8 时，与 YOLOv8n 相比，模型的平均精度 (mean average precision) 分别提高了 9.2% 和 2.4%，超过了当前主流方法。

Jun, 2024

本文讨论了半监督物体检测中的若干问题，提出了一种新的知识蒸馏框架 —— 尺度等价蒸馏（Scale-Equivalent Distillation，SED），来解决大尺度差异和类别不平衡等问题，实验证明该方法可显著提升检测结果。

Mar, 2022

最近开发的扩散模型是一个可扩展的数据引擎用于物体检测，作者提出了一个数据扩展引擎 DiffusionEngine (DE) 用于在一个阶段中提供高质量的检测训练对。扩散引擎 DE 由一个预先训练好的扩散模型和一个有效的检测适配器构成，能够以即插即用的方式生成可扩展、多样化和具有通用性的检测数据，在各种场景下能够显著提升检测算法的结果。

Sep, 2023