我们展示了在复杂交通场景中将语义一致性的概念和知识感知的重新优化方法应用于目标检测问题。此外，我们介绍了一种从具有实例级注释的图像数据集中提取知识图谱的新方法，并将该知识图谱与现有的语义一致性模型集成。将这种新型混合知识图谱和频率分析和外部知识图谱作为语义信息的源与 Faster-RCNN 和 DETR 目标检测模型的现有方法结合，我们研究了知识感知的重新优化对所研究的模型和方法的效果。我们发现，在所有模型和方法的组合中，使用这种方法可以实现有限但一致的准确性和 / 或召回率的提升。

Aug, 2023

该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

Jan, 2022

提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

Sep, 2018

本文提出一种基于聚类的粗到细的目标检测框架，特别针对小物体和高分辨率图像的大规模差异问题，在提高目标检测准确率的同时降低了计算成本。

Mar, 2023

本研究提出一种简单且有效的深度学习方法，可将高分辨率训练数据中获得的细粒度知识传递到粗糙的低分辨率测试场景，其在监控照片或卫星图像等低分辨率场景中识别物体具有许多实际应用。实验结果表明，本方法能有效地将细节知识传递到粗略的图像中，且在包含汽车模型和鸟类物种的两个基准数据集上取得了优异的表现。

May, 2016

为了减少使用高空间分辨率图像所带来的计算和货币成本，我们提出了一种强化学习代理，该代理自适应地选择提供给探测器的每个图像的空间分辨率，并使用双重奖励设置对代理进行训练，以选择低空间分辨率图像，以运行粗级探测器，同时选择高空间分辨率图像，则运行精细级探测器，该方法在维持与仅使用高分辨率图像的检测器相似的准确性的同时，将运行时间效率提高了 50％，只使用高分辨率图像 30％的时间

Dec, 2019

本研究提出一种名为 Tiny-DSOD 的基于深度学习的目标检测框架，在保证资源受限的情况下提高检测精度。实验结果表明，Tiny-DSOD 在参数大小、FLOPs 和准确度等三个度量上均优于目前先进的解决方案，具有广泛的应用前景。

Jul, 2018

本文提出了一种基于细粒度特征模拟的知识蒸馏方法，以改善在复杂的目标检测任务中使用小型学生模型所遇到的性能瓶颈，通过估算目标附近的区域并让学生模型在这些区域上模仿教师模型，使得学生模型在性能表现上提高了 15% 到 74%。

Jun, 2019

本文介绍了一种从源类别向目标类别传递常识知识以检测物体的可拓展方法，并将该方法应用于 MS COCO 数据集中，发现常识知识可以显著提高检测性能。

Apr, 2018

使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

Mar, 2017