该论文提出了一种基于激活搜索策略的窗口分类器方法，该方法利用上下文以及分类器的分数来引导搜索，该方法在SUN2012数据集上与R-CNN的结果相当，但仅评估了9倍的窗口。
Dec, 2014
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
本文提出了一种可扩展的对象检测流程，使用零手动标注扩展到新颖/不可见类别，该过程包含开放词汇表的对象检测器、区域提示学习、自我训练等四个部分，并通过对挑战性数据集的广泛实验表明了其优于现有方法。
Mar, 2022
本文提出了SparseDet这一端到端的基于点云的三维物体检测算法，通过固定数量的可学习建议来代表潜在候选框，并使用堆叠的transformers直接进行三维物体的分类和定位，且无需后处理步骤，相比传统方法具有更高的效率和准确率。
Jun, 2022
本文提出了DETR-GA，一种基于DETR的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。
Apr, 2023
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
本研究提出了一种简单而有效的方法来实现以对象为中心的开放词汇图像检索，通过从CLIP中提取出的密集嵌入将大规模图像检索管道的可扩展性与密集检测方法的对象识别能力相结合，从而实现了极大的提升。
Sep, 2023
使用RichSem作为额外的软监督，在长尾对象检测中学习富语义，从而提高特征表示，并取得了优于其他方法的最新性能。
Oct, 2023
本文提出了一种名为MatchDet的协作框架，用于图像匹配和物体检测，通过三个新颖模块实现两个任务的协作学习，包括权重空间注意力模块（WSAM）用于检测器，加权注意力模块（WAM）和框过滤器用于匹配器。实验证明我们的方法在新的基准数据集Warp-COCO和miniScanNet上有效，并取得了竞争性的改进。
Dec, 2023
提出一种名为DeLR的高效查询策略，通过解耦定位和识别，减少对象检测中的注释成本，并在几个基准测试中证明其优越性。