本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展，并提出了一个公开的大规模测量数据，即DIOR数据集，其可帮助研究人员开发和验证数据驱动的方法。

Aug, 2019

本研究提出了A-NDFT方法，该方法改进了之前的nuisance disentangled feature transformation方法; A-NDFT利用特征回放和缓慢学习器两种加速技术，可以将NDFT的训练时间从31小时缩短到3小时，同时保持其性能。

May, 2021

本研究通过引入DETReg，一种新的自监督方法，对整个目标检测网络进行预训练，包括目标定位和嵌入组件，取得了在COCO等低数据环境中许多最先进结果的+6.0 AP改进的成果。

Jun, 2021

本文提出了一种基于密集无锚点的旋转目标检测器(DARDet)，直接预测特征映射中每个前景像素的旋转框的五个参数，同时设计了一个新的对齐卷积模块来提取对齐的特征，并引入 PIoU loss 进行精确和稳定的回归。在三个常用的航空目标数据集(DOTA，HRSC2016 和 UCAS-AOD) 上取得了最先进的性能，同时保持高效率。

Oct, 2021

通过解决数据、模型和任务之间的差异，AlignDet提出了一种统一预训练框架，可以适应各种现有的检测器，提高检测器的性能、泛化能力和收敛速度。

Jul, 2023

使用DETR为基础的目标检测器，通过无监督预训练和利用大量未标记数据来提高检测器的性能，采用更丰富、基于语义的初始提议、基于聚类的物体伪标签的判别性训练以及自我训练等三个关键因素，显著提升了DETR在完整和低数据情况下的性能，并且证明能够在复杂图像数据集上从头开始预训练，直接实现无监督表示学习。

Jul, 2023

基于全局到局部范式，提出了一种用于光学遥感图像中显著目标检测的全局提取局部探索网络 (GeleNet)。GeleNet首先采用Transformer骨干网络生成四级特征嵌入以捕获全局远程依赖性。然后，GeleNet利用方向感知的混洗加权空间注意力模块 (D-SWSAM) 和其简化版本 (SWSAM) 增强本地交互，并利用知识传输模块 (KTM) 进一步增强跨级上下文交互。最后，根据上述三个模块的输出，使用显著性预测器生成显著性图。对三个公共数据集进行的广泛实验证明所提出的GeleNet优于相关最先进方法。

Sep, 2023

提出了一种基于自我训练的少样本目标检测(ST-FSOD)方法，通过引入自我训练机制和学生-教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023

本文研究了在航拍图像中的物体检测问题，提出了一种使用CLIP激活的学生-教师模型的开放词汇物体检测框架，通过同时生成高质量的候选区域和伪标签来提高新物体的检测性能。

Nov, 2023

通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块，以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本，并增强模型学习未见类别的区分特征的能力。在DOTA和HRSC2016数据集上进行了全面实验，我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。

Mar, 2024