本文针对物体检测中精度和效率的平衡问题，研究了关键优化和神经网络结构选择，提出了新的面向移动设备的实时物体检测器，通过多种优化实现了更好的精度和延迟性能的平衡，并优于其他流行模型。

Nov, 2021

本篇研究提出了一个细节较大的目标检测模型，利用多种轻量级网络进行特征提取，同时采用通道压缩算法提高模型执行速度，在 CPU 上实现准确率仅下降至 91.43 AP 的实时推断。

Jul, 2017

在对象检测领域，提出了 QueryDet 算法，使用了新颖的查询机制来加速基于特征金字塔的对象检测器的推理速度，既可以收获高分辨率特征图的好处，又可以避免背景区域的无用计算，从而在保证精度的前提下提高了推理速度。

Mar, 2021

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

提出了一种自重建微小目标检测（SR-TOD）框架，通过引入自重建机制和差异图引导特征增强模块，改进了微小目标的检测性能，并在新的多实例抗无人机数据集（DroneSwarms dataset）上进行了有效性验证。

May, 2024

本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD，通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层，将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下，仍然能够在 VOC 2007 上实现 61.3％（比 Tiny YOLO 高 4.2％）的 mean average precision (mAP)，结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。

Feb, 2018

本文介绍了一个名为 SimpleDet 的高效开源物体检测框架，支持最新的检测模型和分布式训练，可在消费级硬件上大规模训练现代化的检测模型。

Mar, 2019

本研究针对小物体检测中 RT-DETR 模型的准确性不足提出了两个关键改进：首先，引入细粒度路径增强方法以提供更多详细信息来精确定位小物体；其次，采用自适应特征融合算法来有效整合不同尺度的特征信息，从而提高模型对不同尺度目标的检测准确率。

Jan, 2024

本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

Nov, 2019

我们提出了一种名为 DQ-DETR 的简单而有效的模型，其中包括三个不同的组件：分类计数模块、计数引导的特征增强和动态查询选择，以解决 DET-R 类型方法在检测微小对象方面的挑战。DQ-DETR 使用分类计数模块的预测和密度图动态调整物体查询的数量，并改善查询的位置信息。我们的模型 DQ-DETR 在以微小对象为主的 AI-TOD-V2 数据集上实现了 30.2% 的最优 mAP，优于以前基于 CNN 和 DET-R 类型方法的性能。

Apr, 2024