近年来，3D 物体检测的研究取得了显著进展。然而，大多数现有研究聚焦于基于中心或基于锚点的标签赋值方案的利用。在 3D 物体检测中，尚未探索其他的标签赋值策略。我们发现，基于中心的标签赋值方法通常在训练时生成不足的正样本，而基于锚点的标签赋值方法在处理不同尺度的物体时往往遇到不平衡问题。为了解决这些问题，我们引入了一种动态交叉标签赋值（DCLA）方案，该方案为每个物体动态地从交叉区域中分配正样本，从而为训练提供足够且平衡的正样本。此外，为了应对准确回归具有不同尺度的物体的挑战，我们提出了一种基于旋转加权交并比（RWIoU）的回归损失指标，以替代广泛使用的 L1 损失指标。大量实验证明了我们的 DCLA 和基于 RWIoU 的回归损失的普适性和有效性。代码可在此网址上获取：https:// 链接地址

Jan, 2024

本研究提出了一种动态细化网络解决因神经元的感受野方向固定及模型泛化性差而导致的面对有方向的、密集的对象的检测困难问题，并基于发起的 SKU110K 数据集提出了一种新的定向边界框注释方式，实验结果显示该方法与基线方法相比具有相当大的优势。

May, 2020

远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

Jan, 2024

本文提出了一种解决精细定向目标检测问题的方法，在形状和旋转特征下动态地选择样本，并使用关键特征提取模块和自适应的平滑 L1 损失函数来提高分类和定位的一致性，并在四个旋转目标检测数据集上展示了目标检测器的最先进性能。

Jun, 2023

提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

Dec, 2020

本论文提出了一种新的粗 - 细特征自适应方法以解决领域偏移问题，细化层面通过最小化不同领域相同类别的全局原型的距离来实现前景的条件分布对齐。通过广泛实验，结果表明该方法的广泛适用性和有效性达到了现有最优水平。

Mar, 2020

本文提出了一种针对小目标检测的高斯感受野标签赋值策略以及基于该策略的层级标签赋值模块，实验结果证明该方法在四个数据集上均取得了显著效果提升。

Aug, 2022

本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$

Apr, 2020

本文介绍了一种通过动态损失衰减机制 (DLD) 的鲁棒取向遥感目标检测方法，该方法能够抵抗噪声并提高检测准确性。

May, 2024

本文介绍了一个名为 SCRDet++ 的目标检测算法，使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果，并通过实验验证了其在多个数据集上的有效性。同时，本文还发布了一个新的交通信号灯数据集 S2TLD，包含 5,786 张图像和 14,130 个信号灯实例。

Apr, 2020