- 一种新的边界框回归方法用于单目标跟踪
本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。
- FPDIoU Loss: 旋转目标检测中高效边界框回归的损失函数
提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有 - CVPR理论上实现定向边界框的连续表示
提出 Continuous OBB（COBB）的新的表示方法，在已有的检测器中集成，解决了目标检测中方框旋转和宽高比的连续性问题，并在实验证明在基于矩形目标表示的文献中未能实现的连续回归问题上取得了良好结果。
- Focaler-IoU：更聚焦的交并比损失函数
通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。
- Shape-IoU：更准确的考虑边界框形状和尺度的度量标准
提出了一种关注边界框自身的形状和大小的边界框回归方法，通过 Shape IoU 方法计算损失，有效改进了检测性能，并在不同的检测任务中表现出色。
- 上下文解缠和原型继承的鲁棒视觉定位
我们提出了一种新的框架，通过上下文解藕和原型继承来处理标准场景和开放词汇场景下的鲁棒视觉定位，实验证明我们的方法在两种情景中优于现有方法。
- Inner-IoU：更有效的交并比损失函数与辅助边界框
通过对边界框回归模型的分析，我们提出了 Inner-IoU 损失函数，通过辅助边界框计算 IoU 损失，在不同数据集和检测器中引入缩放因子比例以控制辅助边界框的尺寸，实现了边界框回归过程的加速，并通过模拟和比较实验证明了该方法的有效性和普适 - 跳跃特征金字塔网络与网格锚点用于物体检测
这篇论文提出了一种跳跃连接的方法，以获得特征金字塔每个层级中更强的语义，并简化了边界框回归的锚点生成方式，从而进一步提高物体检测的准确性。
- MPDIoU: 高效准确的边界框回归损失函数
提出了一种基于最小点距离的新型边框相似性比较度量方法 MPDIoU，将所有现有损失函数中考虑的相关因素包含在内，同时简化了计算过程，并基于此提出了一种基于 MPDIoU 的边框回归损失函数 LMPDIoU，实验结果表明，在 PASCAL V - SIoU Loss: 边界框回归的更强大学习
本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。
- 跨域目标检测的分离式适应
本文提出基于 D-adapt 的跨域目标检测方法，通过对对抗性适应性和检测器训练的分离来消除前景和背景特征的混淆，并通过引入边界框适配器来填补物体检测中回归域适应的空白， 在四项跨领域目标检测任务中取得了最先进的结果，并在特别是 Clipa - ICCV通过学习边界框调节器增强弱监督目标检测
本文使用一个 well-annotated auxiliary dataset 中的 bounding box regression 知识来改进 Weakly-supervised object detection，采用一种 class-a - AAAISCALoss: 边角对齐的边界框回归损失函数
本研究提出的 Side Overlap（SO）和 Corner Distance（CD）的组合得出了一个新的回归目标函数，即 Side and Corner Align Loss（SCALoss），在 COCO、PASCAL VOC 和 L - 通过表示不变损失优化任意方向物体检测
本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和 - HAMBox：探索在线高质量锚点挖掘以检测外部人脸
本文提出了一种基于高质量锚点挖掘策略 (HAMBox) 的单阶段人脸检测方法，该方法能明确帮助外部面部获得高质量的锚点，并在各种数据集上表现优异。
- ECCV侧向感知边界定位以提升目标检测的准确性
本研究提出一种名为 SABL 的交替方式，其中利用专用的网络分支分别定位边界框的每个边界，以代替传统的中心和大小预测方法，从而实现更准确的物体检测。研究结果表明，在 Faster R-CNN、RetinaNet 和 Cascade R-CN - AAAIDistance-IoU Loss: 用于边界框回归的更快、更好的学习方法
提出了一种针对目标检测中的边界框回归问题的新算法 DIoU Loss，通过加入距离项和三个几何因素（覆盖区域、中心点距离和长宽比），构建了更好的评价指标 CIoU Loss，并将 DIoU Loss 和 CIoU Loss 应用到现有的目标 - ICCVWSOD^2：学习自下而上和自上而下的目标重要性提取技术用于弱监督目标检测
本文介绍一种新型的弱监督目标检测框架 WSOD^2，该框架通过联合考虑低层测量，CNN 置信度和自适应线性组合来确定多个回归目标，并通过区域提议学习来逼近回归目标，最终取得了最先进的结果。
- CVPRROAM: 循环优化跟踪模型
本文提出了一种基于响应生成和边界框回归的跟踪模型，利用尺寸可调卷积滤波器适应对象的形状变化，同时利用离线训练的循环神经优化器在元学习环境中更新跟踪模型，从而提高更新速度并实现更好的性能。实验证明该方法在多项基准测试中表现优异。
- 学习点云上的 3D 实例分割中的物体边界框
3D-BoNet 是一个新颖的、简单易懂且通用的网络，可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路（边界框回归和点掩码预测）组成，并在保持端到端训练的同时，直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明