本文介绍了一个大型标志图像数据库 “LOGO-Net”，用于标志检测和品牌识别任务，该数据库包括 18 个标志类别、10 个品牌和 16,043 个标志对象。作者还应用了新兴的深度学习技术进行标志检测和品牌识别任务，并利用多个最新的深度区域卷积网络技术进行物体检测任务的广泛实验。

Nov, 2015

Open Images V4 是一份有关图像分类、物体检测和视觉关系检测的数据集，包括了 9.2M 幅图片，其中包含了 30.1M 个图像级标签，15.4M 个边界框，以及 375k 个涉及 57 类的视觉关系注释。

Nov, 2018

本文提出了一种处理 Open Images 数据集中目标多标签和标签分布不平衡问题的方法，使用 concurrent softmax 处理多标签问题并提出一种混合训练计划的软采样方法来解决标签分布不平衡问题，实验结果在公共测试集上达到了最佳水平。

May, 2020

介绍了一种更加现实和具有挑战性的 Logo 检测模式 Open Logo Detection，并提出了一种 Context Adversarial Learning 方法以解决在训练数据较少的情况下，对于新 Logo 种类的更好检测问题。实验证明，该方法在 OpenLogo 检测基准测试中表现优异。

Jul, 2018

本文介绍了一个新型的大规模基准数据集 BigDetection，它通过整合多个现有数据集并提供更大样本数量、更统一的标注体系，可以用于改进物体检测算法的预训练效果，并已被证明是一个有效的检测方法评估标准。

Mar, 2022

本研究探讨深度学习模型在品牌标志分类中的应用，并在一个包含十个知名品牌的数据集上测试了 CNN 和 ViT 两种模型的性能。研究发现，ViT 模型 (DaViT small) 具有 99.60% 的最高准确率，而 DenseNet29 则具有最快的推理速度。结果表明，由于其卓越的准确性，DaViT 模型适用于离线应用。这项研究展示了深度学习在品牌标志分类任务中的实际应用。

May, 2023

本研究介绍了最大的 3,000 个标志检测数据集和一种强大的基线方法 Logo-Yolo，它在大规模标志检测方面取得了 4％的改进，比现有数据集具有更广泛的覆盖范围和更好的品牌可见性监测和产品品牌管理功能。

Aug, 2020

本文提出了一种基于开放集的的商标检索方法，该方法利用任务特定的卷积神经网络模型，在商标检测和比较方面均采用两阶段概念，并利用公开的大规模商标数据集 Logos in the Wild 进行了训练，相对于现有的封闭集方法在商标检索性能上获得了明显的改善。

Oct, 2017

该研究报告详细介绍了他们对 Google AI Open Images Challenge 2019 目标检测赛题的解决方案。通过对 Open Images 数据集进行详细分析，提出了采用大型骨干网络、分布式 softmax 损失、类别感知采样等策略，在最优模型的基础上进行模型融合，最终在该挑战中获得了第三名，公共排行榜 mAP 为 67.17，私有排行榜为 64.21。

Oct, 2019

本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即 DIOR 数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019