我们提出了一种有效的统一协同金字塔网络用于实现对伪装物体的检测，通过模拟人类行为中的缩放策略来学习具有辨别能力的多尺度语义，并利用富含的粒度感知单元来充分探索候选物体和背景环境之间的不可察觉线索，并结合不确定性意识损失来增强对候选区域的高置信度预测，该方法在图像和视频伪装物体检测基准中始终优于现有的最先进方法。

Oct, 2023

本文提出了一种名为 ZoomNet 的新型框架，同时采用 2D 对象检测模型和自适应缩放模块进行立体图像的 3D 检测，超过了所有以前的最先进方法，并且引入了学习部件位置和 3D 拟合得分来改善对遮挡物的抵抗，且由于 KITTI 基准测试缺少细粒度注释如像素级部件位置，因此我们还提出了我们的 KFG 数据集。

Mar, 2020

本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器，即 AdaZoom，并采用可变放大倍率进行自适应多尺度检测，以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验，验证了 AdaZoom 在不同检测网络上显著提高了性能，并在这些数据集上取得了 state-of-the-art 的表现，尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。

Jun, 2021

本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

Nov, 2017

提出了一种名为 CoFiNet 的新方法，专注于多尺度特征融合与提取，通过细节特征的有效分割来提高其对伪装对象的检测能力，同时采用粗到细的策略、多尺度特征集成模块、多激活选择核模块和双掩模策略等技术手段，在四个不同数据集上进行了全面实验，证明了 CoFiNet 在伪装对象检测方面的出色性能和广泛应用潜力。

Feb, 2024

本文提出了一种缩放输入和输出网络用于生成物体提议，使用不同分辨率的特征图在网络中检测各种大小的物体实例，设计缩放子网络来增加高级特征的分辨率，使用递归训练管道，匹配测试阶段的迭代回归，证明了该方法在各种评估度量中优于现有技术。

Feb, 2017

本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

May, 2023

本论文提出了一种放大和缩小的网络，用于生成物体建议，通过利用 conv/deconv 结构，引入两个特征图流的低层局部细节和高层区域语义的互补，设计了 MAD 单元来搜索神经元激活并提出新的特征图，在三个数据集上取得了比其他最新算法更好的效果。

Sep, 2017

本文提出了一种新颖的深度感知注意力融合网络，利用深度图作为辅助输入，增强网络感知三维信息的能力，从而改善伪装物体检测。通过使用特定的编码器提取色彩和深度信息，并引入深度加权的交叉注意力融合模块来动态调整深度和 RGB 特征图的融合权重。最后，采用简单而有效的特征聚合解码器自适应地融合改进的聚合特征。实验表明，我们提出的方法在伪装物体检测方面具有显著的优势，进一步验证了深度信息在其中的贡献。

May, 2024

提出一种基于编码器 - 解码器神经网络的动态目标分割方法，通过使用预训练的卷积网络对图像进行特征嵌入，利用反卷积网络进行特征与图像的转换，该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法，达到了 0.9770 的平均 F-measure。

Jan, 2018