本文介绍了 RSSOD-Bench 数据集的构建和基准性能测试，该数据集旨在解决遥感图像中显着对象检测（SOD）任务的局限性问题。

Jun, 2023

本文提出了一种适用于监控视频中飞鸟对象的飞鸟对象检测方法，该方法通过多个连续图像帧上的飞鸟对象的相关性聚合特征，并利用下采样和上采样设计了一个具有大特征图层的飞鸟对象检测网络来检测特殊的多尺度（主要是小尺度）鸟类对象。最后，应用了 SimOTA 动态标签分配方法来解决不规则飞鸟对象引起的标签分配问题，实验结果表明本文提出的监控视频飞鸟对象检测方法有效地提高了飞鸟对象的检测性能。

Jan, 2024

本文构建了第一个大规模的多类别可见 - 热红外小目标检测（RGBT SOD）基准数据集（RGBT-Tiny），包括 115 对序列，93K 帧和 1.2M 标注，同时提出了一种适应尺度的健康度量标准（SAFit），并进行了广泛的评估。

Jun, 2024

本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在 COSE 系统中部署检测模型的需求，本文利用 TensorRT 等现有优化工具成功解决了在超大图像（超过 100 百万像素）中实时进行检测的工程挑战。

Oct, 2023

本文提出了一种针对 2023 年小鸟目标检测挑战的小鸟检测方法，采用了 YOLOv7 模型和测试时间增强，通过增加输入分辨率、多尺度推断、在推断过程中考虑翻转图像以及使用加权框融合来改进检测效果，并在实验中对每种技术的影响进行了深入研究，实验证明了显著的检测精度提升。该方法在 Development 类别中取得了最高分，在 IoU=0.5 时，公共 AP 为 0.732，私有 AP 为 27.2。

Dec, 2023

本文对显著物体检测模型进行了全面评估，发现现有 SOD 数据集中普遍存在偏见性，即假设每幅图像中至少包含一个低噪声的显著物体。这种偏见导致现有数据集上的最新 SOD 模型性能过高，但在面临实际场景时仍表现不尽如人意。该研究提出了一个综合、平衡且高质量的新数据集 SOC，该数据集包含各种日常物品的显著和非显著物体，并提供反映实际情况的通用挑战属性。最后，本文还对该数据集进行了基于属性的性能评估。

Mar, 2018

本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展，提出了一些新观点和实验结果。

Apr, 2019

调查了 60 多个研究论文，涵盖了 2020 年至 2023 年开发的转换器在小目标检测任务上的性能，还提供了一个 12 个大规模数据集的列表以及使用常见指标（如 mAP，FPS，参数数量等）进行了性能比较。

Sep, 2023

本研究总结了第一届微小目标检测挑战赛，聚焦于微小人物检测，介绍了前三种方法，并重新开放了提交排行榜，提供了 TinyPerson 数据集及其 72651 个目标注释。

Sep, 2020

本文提出了一个由人眼注视数据和手工标注的对象 8.1W 张图构成的视频显著对象检测数据集，并提出了一个基于自动编码器的无监督方法，利用该数据集证实了该方法具有很好的效果。

Nov, 2016