本文提出了一种基于 CNN 的新型扩展目标表示法，将人体部位的中心偏移量集成到一个统一的对象表示中，并构建了一种密集的一阶通用身体 - 部位联合检测器 (BPJDet)，利用多任务优化来处理多项任务，以实现身体部位的联合检测，从而改进了人体和部位检测的联合检测，且在保持高检测精度的同时，能达到与同类器具相比的最先进的联合检测性能。

Apr, 2023

提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器，避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。

Jun, 2020

本文介绍了一种新的基于 anchor point 的 anchor-free 检测方法，提出了一种解决训练问题的简单而有效的训练策略，并开发了一种名为 Soft Anchor-Point Detector 的单阶段 anchor-free 检测器，超越了最近的最先进的 anchor-free 和 anchor-based 检测器。

Nov, 2019

该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法，实现了锚点无关和单阶段检测器的高精度，探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中，表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3％，在 partial set 上为 8.7％，在 bare set 上为 5.6％，获得了第二高的性能。

Feb, 2020

本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。

Jul, 2017

本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。

Apr, 2019

本文提出了一种基于 AlignPS 的 anchor-free 框架来解决人物搜索问题，包括行人检测和人物重新识别，通过对齐特征聚合模块，实现更鲁棒的特征嵌入，显著提高了基线 anchor-free 模型的性能。

Mar, 2021

本文提出了一种新的网络，通过两个流对人体的外观特征和身体部位特征进行提取，使用双线性池化层生成和空间池化对齐后的部分特征图，从而有效地解决了人体部位错位问题，并且在不需要对其进行任何标注的情况下对整个网络进行训练。

Apr, 2018

我们提出了一种新的方法来处理大形变、遮挡和低分辨率，并通过使用全连接模型来对整体目标和动物身体部位的模板进行排列，以更好地处理由形变、遮挡和 / 或低分辨率造成的不同 “可检测性” 模式，并在动物类别上验证其有效性。

Jun, 2014

本文介绍了一种新的人物属性检测方法，利用属性检测来生成相应的局部检测器，提取局部特征来解决人物再识别中的身体部分不对齐问题，并将属性信息与局部描述符相结合以消除检测偏差带来的干扰。该模型在两种常用基准测试上表现良好。

Feb, 2019