本文提出了一种基于亲和力传播聚类的多类空间语义规范化方法，通过在图像中所有类别和提议位置上同时进行优化来改进所选检测提议的定位和分类，为包含成千上万类别的大规模物体检测提供了有效的解决方案。

Oct, 2015

研究了在数据稀缺的情况下，单次目标检测的问题，提出了一个效果良好的基于注意力机制的框架，名为Semantic-aligned Fusion Transformer (SaFT)，采用竖直和水平融合模块实现跨尺度和跨样本特征的融合，通过语义对齐的注意力机制大幅提高性能，使得基于目前现有的数据训练的一阶段的检测基线的性能得到了显著提升。

Mar, 2022

本研究提出一种新的设计（称为 Detection Hub），它是数据集感知并具有类别对齐功能，通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核，从而既减轻了对目标检测的数据集不一致性，又提供了一致的指导，以便检测器跨多个数据集学习。实验表明，检测中心进一步在各种数据集的UODB基准测试中实现了SoTA性能。

Jun, 2022

本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了DETR的收敛速度并提高了检测精度，拥有成为现有DETR收敛解决方案完美补充的潜力。

Jul, 2022

DiffusionDet是一种将对象检测作为从噪声框到对象框的去噪扩散过程的新框架，其在训练阶段通过对象框从地面实况框扩散到随机分布，模型学习将该过程反转，在推断阶段，模型以渐进方式将一组随机生成框细化为输出结果，使用随机框作为对象候选框有利于解决对象检测问题，并且该问题可以通过生成方法来解决。

Nov, 2022

本文提出了DiffusionSeg框架，利用预训练和扩散模型实现无监督物体发现，并采用合成-利用两阶段策略来缓解数据不足和结构差异问题，采用反演技术将图像映射回扩散特征，通过大量实验验证了该方法的优越性。

Mar, 2023

最近开发的扩散模型是一个可扩展的数据引擎用于物体检测，作者提出了一个数据扩展引擎 DiffusionEngine(DE) 用于在一个阶段中提供高质量的检测训练对。扩散引擎 DE 由一个预先训练好的扩散模型和一个有效的检测适配器构成，能够以即插即用的方式生成可扩展、多样化和具有通用性的检测数据，在各种场景下能够显著提升检测算法的结果。

Sep, 2023

生成式开放式物体检测是一种更通用、实用的问题，本论文提出了一个名为GenerateU的简单框架，将物体检测作为一个生成问题，可以以自由形式检测密集物体并生成它们的名称，通过广泛的实验验证了GenerateU的强大的零样本检测性能。

Mar, 2024

本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法，并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力，并在需要数据匿名化时，通过重新绘制隐私敏感实例来实现。

Jun, 2024

本研究解决了数据集多样性不足带来的问题，提出了一种简单有效的数据增强方法，通过生成模型，特别是文本到图像合成技术，生成带标签的真实图像变体。背景增强显著提高了模型的鲁棒性和泛化能力，经过在COCO数据集及其他物体检测基准的评估，证实了该方法在不同场景中的显著性能提升。

Aug, 2024