本次研究旨在解决目标检测中的比例变化问题，提出了 Trident Network，利用控制实验研究感受野对于比例变化的影响，构建并训练出一个多分支并行架构，每个枝干共享相同的转换参数但具有不同的感受野，通过采样适当比例的对象实例进行专业化训练，其在 COCO 数据集上取得了 48.4 mAP 的最优表现。

Jan, 2019

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

本文提出了一种利用相关滤波器进行目标尺度估计的跟踪方法，该方法可以有效地提高计算效率并在 OTB 和 VOT2014 数据集上优于 19 个和 37 个最先进的跟踪器。

Sep, 2016

本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。

Nov, 2017

本文提出了一个可学习的基于几何的先验模型，改善图像重采样来提高实时物体探测性能，从而在自主导航和城市尺度传感方面得到了明显的改善。

Mar, 2023

设计用于评估实例分割的度量标准围绕着全面考虑目标检测和分割准确性展开，然而，当前研究忽视了其他重要特性，如敏感性、连续性和一致性。本文揭示了大多数现有度量标准在测量分割质量方面具有有限的分辨率，它们只在掩模或错误预测的变化情况下有条件地敏感。对于某些度量标准来说，在一个狭窄的范围内，得分可能会急剧变化，这可能会误导结果质量差距的指示。因此，我们提出了一种名为 sortedAP 的新度量标准，它严格降低了目标和像素级别的缺陷，并且在整个域上具有连续的惩罚刻度。我们在此 https 的 URL 上提供了评估工具包和实验代码。

Sep, 2023

该研究提出了一种基于 Kalman 滤波的单目 SLAM 算法中估算 3D 重建模型的全局尺度的新方法，通过结合基于快速通用目标检测的一组广泛预定义的类别中检测到的对象的高度先验，每个观测值都基于单个帧生成，因此不需要数据关联处理，该方法在多个不同目标类别的实验中取得了非常有希望的结果。

May, 2017

本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

Jan, 2019