本研究基于特殊遮盖的 MS COCO 数据集，对目前最先进的 Faster R-CNN 和 YOLO 目标检测器的准确性进行评估和比较，以衡量它们的预测有多少依赖于编码在对象类别级别上的上下文信息。研究结果表明，当前检测器通常不会在类别级别上建立强的依赖关系，但是当它们这样做时，它们的方式往往相似，表明对象类别的上下文依赖性是一个独立的属性，这具有传递知识的相关性。

Sep, 2018

本文提出了一种名为 D-CLOSE 的方法，用于解释任何目标检测模型的决策，并利用图像上的多层分割和结合过程来跟踪模型的行为。在 MS-COCO 数据集中使用 YOLOX 模型进行测试，表明我们的方法优于 D-RISE，可以提供更好的质量和更少的噪音解释。

Jun, 2023

该研究论文中提出了一种量化黑盒视觉模型对视觉背景依赖性的方法，通过编辑图像并测量目标模型的响应，以发现物体与背景之间的不良依赖性，并提出基于物体去除的数据增强方案以缓解这种依赖性，从而提高分类和分割模型对环境变化的鲁棒性。

Dec, 2018

本研究旨在通过建立物体关键性模型，提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性，并在 nuScenes 数据集上对九种物体检测器进行比较，结果表明，在多种情况下，根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时，并不是最好的选择。

Mar, 2022

研究对象检测中上下文限制效果有限的原因，提出了一种基于区域的上下文重新评分方法，该方法采用动态上下文选择来消除噪声并强调信息上下文，实验表明该方法在性能评估方面显著优于外观检测器和传统上下文模型。

Sep, 2016

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

本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。

Dec, 2014

本研究旨在通过利用分割注释来增加训练数据中的物体实例数量，通过适当地对物体周围的视觉环境进行建模以在物体所处的正确环境中放置它们，以提高少量标记样本的 VOC'12 基准测试平均精度。

Jul, 2018

研究探讨了使用较弱监督水平对深度人数计数体系结构在图像分类和点级定位方面的性能造成的影响，实验证明使用 CNN 图像级模型计数人数能够以竞争性结果达到 YOLO 检测器和点级模型的水平，并且提供更高的帧率和相似数量的模型参数。

Nov, 2023

给出了一个在目标检测中引入加权项的方法，加权项是一个关于对象面积大小的函数，实验证明给较大的对象赋予更高的权重能够提高所有对象尺寸下的检测分数及目标探测性能。

Nov, 2023