本文研究了以手绘草图为查询在自然图像中进行目标定位的问题，并提出了一种基于 sketch-conditioned DETR 架构的方法，不但能够定位对象实例，还能进行对象的像素级别识别，并在实验中证明其优于之前的最先进技术。

Sep, 2021

本文提出一种名为 Sketch-based Video Object Localization (SVOL) 的任务，通过 Sketch-Video Attention Network (SVANet) 的 Cross-modal Transformer 模型，成功实现了零样本能力的视频物体定位。

Apr, 2023

本研究提出了基于手绘草图的突显性检测模型，并构建了一个基于 2D 关注机制的照片 - to - 草图生成模型，该模型可以从图像生成手绘草图，并且在定位显著物体方面表现优异。

Mar, 2023

本研究介绍一种基于草图的物体检测框架，利用基础模型（如 CLIP）和既有的草图模型（如 SBIR）之间的协作来构建高度可推广的草图和照片编码器，并设计一种训练范式来适应对于物体检测，评估结果显示该框架在零样本设置下的表现优于有监督的和弱监督的对象检测器。

Mar, 2023

本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。

Mar, 2014

LiveSketch 是一种使用手绘查询来搜索大型图像集合的新算法，其使用三元组 convnet 架构和反向传播来实现搜索，并利用实时聚类来识别潜在搜索意图和目标。

Apr, 2019

本文使用自适应学习框架，并结合实例搜索，通过逐步挖掘目标实例，即使不知道目标物体的种类，也能够实现准确的目标定位和少样本物体检测，并在两个任务上表现出优越的性能。

Jul, 2021

本文提出了一种基于 SCRC 模型来实现自然语言对象检索的方法，利用空间配置和全局场景级上下文信息对网络进行评分，通过循环网络处理查询文本、本地图像描述符、空间配置以及全局上下文特征来输出概率，实现了从图像标题到任务的视觉语言知识的转移，实验结果表明我们的模型有效地利用了局部和全局信息，在不同数据集和场景中显著优于先前的基准方法，并可以利用大规模的视觉和语言数据集进行知识转移。

Nov, 2015

介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

Sep, 2014

本文提出一种名为 Pseudo-Q 的新颖方法来自动生成替代人工标注的伪语言查询，以此实现视觉定位目标的目的，通过任务相关的查询提示模块和跨模态多级注意力机制发展视觉语言模型。实验结果表明，该方法可大幅降低人力成本，同时表现出优异的弱监督式视觉定位性能。

Mar, 2022