通过使用单个卷积神经网络将检测到的目标边界框检测为一对关键点（左上角和右下角），我们提出了一种名为 CornerNet 的新的目标检测方法，并且引入了一种新的池化层 ——corner pooling，该方法有助于网络更好地定位角点，实验表明在 MS COCO 上，CornerNet 实现了 42.2％的 AP，优于所有现有的一阶段检测器。

Aug, 2018

本文提出了一种有效的解决方案，通过使用代价最小的方式探索每个裁剪区域中的视觉模式，对目标检测中常见的边界框错误进行了改善，并在 MS-COCO 数据集上实现了 47.0％的 AP，性能比所有现有的一阶段检测器至少高 4.9％。同时，中心网展示出与排名前两名的两阶段检测器相当的性能，并在线上提供代码。

Apr, 2019

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

本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

Aug, 2021

本研究旨在解决基于关键点的目标检测的高处理成本问题，提出了 CornerNet-Lite 算法，它是 CornerNet 的两个高效变体 CornerNet-Saccade 和 CornerNet-Squeeze 的组合，可以在不牺牲准确性的前提下提高检测效率，为实时检测带来了新的可能性。

Apr, 2019

通过整合语义和几何信息，提出了一种互补建议网络（CPN）来改进场景文字检测，并在可比较的计算成本下，显著超越现有方法在 ICDAR19-ArT、IC15 和 MSRA-TD500 等基准上分别取得了 3.6％，1.3％和 1.0％的改进。

Feb, 2024

在计算机视觉中，我们提出了一种完全卷积的一阶段对象检测器（FCOS），以像语义分割等其他密集预测问题的方式解决像素级预测对象检测问题，该检测器不需要预定义的基础框，并且避免了与基础框计算相关的超参数，非常简单有效。

Jun, 2020

本研究旨在探讨以 Faster R-CNN 为代表的物体检测方法在公司商标检测任务中的应用。针对小物体实例表现不佳的问题，我们对该方法中的候选区域生成和分类两个阶段进行了研究，提出了一种改进的候选框生成机制，并利用更高分辨率的特征图来提高小物体检测性能，实验证明其在 FlickrLogos 数据集上 RPN 性能从 0.52 提高到 0.71（MABO），检测性能从 0.52 提高到 0.67（mAP）。

Apr, 2017

本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

Apr, 2019

该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。

Mar, 2021