提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度，并通过通道来提取比例尺度。为了实现快速部署，将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合，利用了膨胀卷积。在 COCO test-dev 上，该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度，并且无需额外的 FLOPS 即可超越基线模型。

Sep, 2019

本文介绍了一种被称为 AdaScale 的新方法，该方法在视频对象检测方面提供了更好的准确性和速度，并展示了 - imagenet VID 和 mini YouTube - 边界框数据集上的结果。

Feb, 2019

FOVEA 是一种基于人眼视觉特点，通过可微分的重采样层对高分辨率图像进行智能降采样，保证感兴趣区域的像素不会丢失，在自动驾驶数据集 Argoverse-HD 和 BDD100K 上，能够提升小物体检测的准确率而不降低大物体的准确率，并创造了流媒体 AP（同时考虑准确性和延迟）的新记录。

Aug, 2021

该论文提出一种新的雷达引导空间注意力融合方法，以提高自动驾驶车辆在动态环境下的感知质量，用于检测远距离和小型物体，并在 nuScenes 数据集上进行验证，结果表明该方法在提高基线 yolov3 检测器的召回率方面有了较大的改进。

Jun, 2022

本文介绍了一种名为 DSPDet3D 的高分辨率多层检测器，通过动态空间修剪和迭代上采样从大到小检测物体，实现了在小物体检测方面的高准确性和计算效率优化。

May, 2023

本文介绍了两种创新方法，显著提升了小型空中物体的检测和分割能力。首先，我们探索了 SAHI 框架在新引入的轻量级 YOLO v9 架构上的应用，利用可编程梯度信息（PGI）来减少在串行特征提取过程中常见的大量信息损失。同时，本文还采用了 Vision Mamba 模型，该模型结合位置嵌入以实现精确定位感知，结合了一种新颖的双向状态空间模型（SSM），用于有效的视觉背景建模。我们的实验结果显示，在不同的空中场景下，这些方法在检测准确度和处理效率上都取得了显著的改进，验证了这些方法在实时小型物体检测方面的适用性。本文还讨论了这些方法如何成为未来空中目标识别技术的基础模型。源代码将在此处提供。

May, 2024

本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题，并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件，以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验，证明了我们提出的方法在性能上优于现有竞争方法。

Oct, 2023

我们提出了一种方法，通过增强定向目标检测模型的分类和回归任务，准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络，其中包含两个损失函数：Guided-Attention Loss（GALoss）和 Box-Points Loss（BPLoss）。实验结果表明，我们的 Attention-Points 网络在标准的小型目标空中数据集（DOTA-v1.5）和海事相关数据集（HRSC2016）中具有很好的效果。代码公开可用。

Jan, 2024

本文探讨了一种基于时间空间计算的高效物体检测方法，通过在规模，时间和空间上重新配置计算来实现性能和计算成本的平衡，提出了一个统一的框架，在 ImageNet VID 数据集中实现了具有竞争力的 mAP 79.6％。

Apr, 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