本文提出了一种新的检测算法，能够在多种干扰条件下保持高次像素精度，包括镜头畸变、极端姿态和噪声。该算法基于粗到细的策略，包含 X 型角检测网络和三种后处理技术，以及混合亚像素细化技术和改进的区域增长策略。实验证明，与其他常用方法相比，该算法具有更高的检测率、亚像素精度和鲁棒性。最后，相机标定和姿态估计实验也验证了其在定量比较中能够获得更小的重投影误差。

Jul, 2023

本文提出了一个用于角点检测的新启发式方法，并使用机器学习从中派生出特征检测器，该检测器可以在少于 5％的处理时间内完全处理实况视频。通过实验比较，该检测器在可重复性和效率方面都表现出色，效果显著优于现有的特征检测器。

Oct, 2008

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

本文提出了一种基于 Centripetal shift 的 Corner 点匹配方法，并使用 Cross-star 可变卷积网络进行特征适应，将其应用于实例分割任务，得到了与目前最先进的实例分割方法可比较的性能。

Mar, 2020

本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

Oct, 2018

本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

Mar, 2018

该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CPN 实现了 49.2% 的 AP，超越了大多数同样推理速度的竞争对手。

Jul, 2020

本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。

Oct, 2018

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