通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术，我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4，我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果，并对检测方式进行了统计，属性实验比较，并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认，以完成提出的方法。
Jan, 2024
利用深度学习方法，通过引入复杂且逼真的扭曲来增强计算机视觉任务的鲁棒性，构建了一个多功能数据库，可用于改善目标检测、场景分割和扭曲类型分类等各种计算机视觉任务的可靠性。
Nov, 2023
利用 DiffYOLO 框架提取特征图以增强已训练模型，从而使在高质量数据集上微调 YOLO 模型并在低质量数据集上进行测试成为可能。该框架不仅能在嘈杂的数据集上提升性能，还能在高质量测试数据集上证明检测结果。
采用 DeepEnsembleCoco 的方法，利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果，并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。
Jun, 2015
通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。
Mar, 2024
本研究针对物体检测模型在实际应用中所面临的实际分布转移困境，探讨了通过模拟自然干扰（如光照、模糊和亮度的变化）及相应的数据增强技术来评估和提高模型的鲁棒性。经过综合的剖析研究及实验，发现使用数据增强技术中的合成干扰可以有效提高模型的鲁棒性，并提供了相应的实测核实数据及有价值的洞察力。
Apr, 2023
通过采用图像去滤波器来纠正图像失真问题，本文的研究重点是改进目标检测的性能。实验证明，在非失真图像上训练目标检测模型显著提高了均值平均精度，从而为受图像失真困扰的真实应用程序提供相当大的好处。
Apr, 2024
本研究评估了基于卷积神经网络的最基本的目标检测模型在速度 / 准确性权衡方面的性能，并选择了一个高效的模型 YOLOv5 进行实时医用口罩检测的优化，提出了一个基于转移学习的优化模型，在维持相同的平均精度的情况下，其速度超过了 PWMFD 数据集上最先进的模型 SE-YOLOv3 的两倍以上（每秒 69 帧）。
May, 2024
本文以 YOLO 架构为基础，针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究，通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略，结合丰富的数据集进行实验，研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。
Jan, 2023
该论文提出了一种基于归一化流异常检测器的方法来自适应摄像机参数，小规模研究表明，根据这种超出分布检测器调整相机参数可以导致 YOLOv4 目标检测器的 mAP、mAR 和 F1 性能指标平均增加 3 至 4 个百分点。作为辅助结果，该论文还表明可以在 COCO 数据集上训练用于分布检测的归一化流模型，该数据集比大多数分布检测器的基准数据集更大更具多样性。
May, 2023