调查了 60 多个研究论文，涵盖了 2020 年至 2023 年开发的转换器在小目标检测任务上的性能，还提供了一个 12 个大规模数据集的列表以及使用常见指标（如 mAP，FPS，参数数量等）进行了性能比较。

Sep, 2023

本文研究在自动驾驶中基于 LiDAR 的三维物体检测问题，发现传统的下采样操作可能对信息造成不可避免的损失，提出了一种称作 Single-stride Sparse Transformer (SST) 的新方法，该方法利用 transformers 避免了单步架构中接受域不足的问题，有效处理了点云的稀疏性并显著提升了检测性能，验证集上 Level-1 AP 值达到了 83.8，小物体（行人）检测表现尤为突出。

Dec, 2021

在本文中，我们提出了一种名为高效小目标检测（ESOD）的方法，通过重复利用检测器的主干网络进行特征级别的目标寻找和图像切块，避免冗余的特征提取和减少计算成本，以在高分辨率输入上检测小目标，达到超越现有方法的性能。

Jul, 2024

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

本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

Mar, 2018

该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

Mar, 2017

提出了一种多尺度正样本精炼（MPSR）方法，通过生成目标金字塔来丰富 FSOD 的对象尺度，并在不同的尺度上优化预测，将其作为辅助分支集成到 Faster R-CNN with FPN 的流行架构中，该方法在 PASCAL VOC 和 MS COCO 上取得了最先进的结果和显著的超越了其他对手。

Jul, 2020

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

提出了一种自重建微小目标检测（SR-TOD）框架，通过引入自重建机制和差异图引导特征增强模块，改进了微小目标的检测性能，并在新的多实例抗无人机数据集（DroneSwarms dataset）上进行了有效性验证。

May, 2024

在对象检测领域，提出了 QueryDet 算法，使用了新颖的查询机制来加速基于特征金字塔的对象检测器的推理速度，既可以收获高分辨率特征图的好处，又可以避免背景区域的无用计算，从而在保证精度的前提下提高了推理速度。

Mar, 2021