远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

Jan, 2024

本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

Apr, 2022

本文针对农业应用中的类增量目标检测问题进行研究，比较了三种分类增量学习方法，并且实验结果表明，采用动态架构技术的 Dynamic Y-KD 方法在新旧分类上表现最佳。

Apr, 2023

通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题，提出了一种能够有效发现、定位和聚类新类别的训练器，其在 NCDL 基准测试中显著优于先前的方法，成为了新的最先进技术。

Feb, 2024

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018

本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

Jul, 2019

近年来，3D 物体检测的研究取得了显著进展。然而，大多数现有研究聚焦于基于中心或基于锚点的标签赋值方案的利用。在 3D 物体检测中，尚未探索其他的标签赋值策略。我们发现，基于中心的标签赋值方法通常在训练时生成不足的正样本，而基于锚点的标签赋值方法在处理不同尺度的物体时往往遇到不平衡问题。为了解决这些问题，我们引入了一种动态交叉标签赋值（DCLA）方案，该方案为每个物体动态地从交叉区域中分配正样本，从而为训练提供足够且平衡的正样本。此外，为了应对准确回归具有不同尺度的物体的挑战，我们提出了一种基于旋转加权交并比（RWIoU）的回归损失指标，以替代广泛使用的 L1 损失指标。大量实验证明了我们的 DCLA 和基于 RWIoU 的回归损失的普适性和有效性。代码可在此网址上获取：https:// 链接地址

Jan, 2024

该论文提出了 DynaCor 框架，通过训练信号的动态来区分正确标记的实例和错误标记的实例，该框架在各种噪声类型和噪声率下显示出超越其他最先进方法的性能和强大的鲁棒性。

May, 2024

本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法，能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起，从而使半监督目标检测器更加聚焦于更可靠的知识，实验结果表明，该方法与基线方法相比具有显著的优势。

Mar, 2021

本文介绍了一个名为 SCRDet++ 的目标检测算法，使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果，并通过实验验证了其在多个数据集上的有效性。同时，本文还发布了一个新的交通信号灯数据集 S2TLD，包含 5,786 张图像和 14,130 个信号灯实例。

Apr, 2020