采用强化学习方法进行对象检测，采用预定义区域候选树、缩放操作和优化奖励函数等技术手段，实现更精准的物体边框配置。

Oct, 2018

本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

Jul, 2021

提出了一种用于在场景中定位目标物体的主动检测模型，该模型是类特定的，并允许代理集中注意力于识别目标物体的候选区域，通过深度强化学习训练定位代理，并在 Pascal VOC 2007 数据集上评估，结果表明，使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例，并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。

Nov, 2015

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017

该论文提出了一种使用 Local Canonical Coordinates 和 canonical voting scheme 的 3D 目标检测方法，能够在三个标准实际数据集上取得最优性能

Nov, 2020

本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。

May, 2024

本文提出了一种基于空间似然投票模块的 WSOD 方法，该模块可以收敛定位过程，同时进一步提高检测性能，得到了 PASCAL VOC 2007 和 2012 数据集上的优越成果。

Jun, 2020

本文提出了一种基于主动策略生成边界框提供的 AttractioNet 方法及其核心部件 —— 基于 CNN 的边缘检测模块，它可在不考虑物体类别的情况下产生精确鲁棒的边界框预测，并在多个数据集上取得了明显优于已有研究成果的实验结果，可在目标检测任务中获得显著的性能提升。

Jun, 2016

本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

Aug, 2022

该研究提出了一种基于相交区域回归的方案，替代了常用的目标检测中预测最大重叠的策略，通过围绕物体的候选框组合回归的相交区域的并集来得出最终的预测，该方法对检测流程做出了最小的改变并可用于任何现有方法，对经典的目标检测和实例分割方法均有直接的改进。

Nov, 2023